Kyoungmin Kim 提出语义查询代价与精度优化形式化方案
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对语义查询引擎中现有系统未考虑连接操作误差传播的问题，Kyoungmin Kim 提出代价与精度优化的形式化定义。该方案利用 Jev 等决策模型的校准置信度获取期望误差，结合扇出等对输出的贡献加权，无需标注数据即可算出计划期望输出质量，反向则将输出级精度目标转化为元组定价。研究证明点确定策略下精度与计划无关，选择下推在特定校准下不保证质量可靠。期望质量在包语义下多项式可算，集语义下遵循概率库二分法，丢弃元组选择为 NP 难，优化问题可通过两个拉格朗日乘子分解为逐元组决策。合成负载模拟验证了上述效应，真实引擎评估留待未来。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载误差传播与形式化定义
在语义查询引擎中，谓词由机器学习模型评估，查询计划的选择同时影响代价与结果。现有系统采用固定阈值或逐算子调优精度，忽略了连接操作中的误差传播。该研究给出此类查询代价与精度优化的形式化问题定义，定义了含语义算子的关系代数预言机语义，将物理计划定义为由逻辑计划与决策策略组成的配对，并引入声明式输出级目标及计划等价层级。
无标注质量计算与反向定价
研究起点是 Jev 等决策模型赋予每个决策的校准置信度，由此得出各决策的期望误差。将这些误差按其对输出的贡献（最简情形为扇出）加权，无需任何标注数据即可得出计划的期望输出质量。同理，反向计算能将输出级精度目标转化为每个基础或中间元组的价格，从而实现精度与代价的关联映射。
理论性质与优化分解
研究证明，在点确定策略下精度具有计划不变性；当升级带基于计划自身候选校准时，选择下推不保证质量可靠。期望质量在包语义下可多项式时间计算；在集语义下，若每个关系均带语义谓词，则遵循元组独立概率数据库的二分法。丢弃元组选择属 NP 难问题，但优化问题可通过两个拉格朗日乘子分解为逐元组决策。合成负载模拟展示了这些效应，真实引擎评估留待后续。
为什么值得看
为含 ML 谓词的查询引擎提供无需标注数据的代价与精度联合优化理论框架，解决误差传播难题。
定价
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。