Reducere Adaptivă a Acțiunilor: Scalarea Selecției de Indexuri pentru Sarcini de Lucru Nevăzute

Tabel de Linkuri

Rezumat și 1. Introducere

1. Lucrări Conexe

   2.1 Abordări Tradiționale de Selecție a Indexurilor

   2.2 Abordări de Selecție a Indexurilor Bazate pe RL

2. Problema Selecției Indexurilor

3. Metodologie

   4.1 Formularea Problemei DRL

   4.2 Învățare Profundă prin Întărire Conștientă de Instanță pentru Selecția Eficientă a Indexurilor

4. Cadrul Sistemului IA2

   5.1 Faza de Preprocesare

   5.2 Faza de Antrenament RL și Aplicare

5. Experimente

   6.1 Configurație Experimentală

   6.2 Rezultate Experimentale

   6.3 Comparație de Performanță End-to-End

   6.4 Perspective Cheie

6. Concluzie și Lucrări Viitoare, și Referințe

6.4 Perspective Cheie

Rezumând experimentele noastre extensive, IA2 reprezintă un progres semnificativ în selecția indexurilor, depășind metodele existente în mai multe domenii cheie:

\ Eficiență Rapidă în Antrenament: IA2 excelează prin viteza sa de antrenament de neegalat, valorificând un model de cost what-if și modele pre-antrenate pentru a facilita adaptabilitatea și învățarea rapidă. Această eficiență permite IA2 să reducă drastic timpul de antrenament comparativ cu concurenții, făcându-l extrem de potrivit pentru medii în care viteza este crucială.

\ Modelare Avansată a Sarcinilor de Lucru: Spre deosebire de metodele statice sau exhaustive, IA2 utilizează modelare dinamică a sarcinilor de lucru, permițându-i să se adapteze fără probleme la interogările și structurile bazei de date în schimbare. Această flexibilitate asigură selecția optimă a indexurilor în scenarii diverse, inclusiv sarcini de lucru nevăzute anterior.

\ Explorare Eficientă a Spațiului de Acțiune: IA2 introduce o abordare inovatoare pentru reducerea și navigarea spațiului de acțiune, identificând eficient acțiuni semnificative devreme în procesul de antrenament. Această strategie contrastează cu tehnicile mai consumatoare de resurse ale SWIRL [6] sau regulile rigide ale Lan et al. [7], oferind o cale echilibrată pentru optimizarea configurațiilor de indexuri fără căutare exhaustivă sau simplificare excesivă.

\

:::info Autori:

(1) Taiyi Wang, University of Cambridge, Cambridge, Regatul Unit ([e-mail]);

(2) Eiko Yoneki, University of Cambridge, Cambridge, Regatul Unit ([e-mail]).

:::

---

:::info Această lucrare este disponibilă pe arxiv sub licența CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\