.png){kind=icon}
返回
Graph Transformers for Query Plan Representation: Potentials and Challenges
.png){kind=icon}
PRE
AI
DOI：10.14778/3773731.3773745.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
查询计划表示（QPR）是工作负载建模的核心，现有文献提出了多种基于深度学习的架构。本研究由两个关键观察驱动：（i）研究界仍缺乏关于哪种模型（如果有）最适合QPR问题的清晰认识；以及（ii）尽管Transformer已革新多个领域，其在QPR中的潜力仍被大量忽视。本研究考察了图Transformer在QPR中的优势与挑战。我们引入了一种新的分类方法，沿关键设计轴统一了基于深度学习的QPR技术。对常见QPR架构的基准分析显示，图Transformer网络（GTNs）持续优于其他方案，但在训练数据有限时性能可能下降。为解决此问题，我们提出新颖的数据增强技术以提升训练多样性，并通过替换不有效的语言模型启发式组件（代之以更适合查询计划的方案）优化GTN架构。在JOB、TPC-H和TPC-DS基准上的评估表明，在充足训练数据下，改进的GTNs在捕捉复杂查询（JOB Full和TPC-DS）方面超越现有模型，并使在TPC-DS上训练的查询嵌入器能直接泛化至TPC-H查询。
Keyword:
CARDINALITY ESTIMATION
COST
EFFICIENT
OPTIMIZER
EXECUTION
ESTIMATOR
MODELS
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏ALECE: An Attention-based Learned Cardinality Estimator for SPJ Queries on Dynamic WorkloadsALECE：一种基于注意力机制的自学习基数估计器，用于动态工作负载上的SPJ查询
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容