Μονάδα:
Κατεύθυνση Μεγάλα Δεδομένα και Τεχνητή ΝοημοσύνηΠληροφορική
Ημερομηνία κατάθεσης:
2023-07-25
Συγγραφέας:
Τσαπέλας Χρήστος
Στοιχεία επιβλεπόντων καθηγητών:
Γεωργία Κούτρικα, Διευθύντρια Έρευνας, Κέντρο Έρευνας και Καινοτομίας, ”ΑΘΗΝΑ”
Γιάννης Ιωαννίδης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Τιμολέων Σελλής , Διευθυντής Έρευνας, Μονάδα ”ΑΡΧΙΜΗΔΗΣ”, Κέντρο Έρευνας στην Τεχνητή Νοημοσύνη, την Επιστήμη Δεδομένων και τους Αλγορίθμους , Ερευνητικό Κέντρο Αθηνά
Πρωτότυπος Τίτλος:
QPSeeker - An efficient Neural Planner combining both data and queries through Variational Inference
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
QPSeeker - Νευρωνικός Βελτιστοποιητής, βασισμένος στα ερωτήματα και στα δεδομένα, χρησιμοποιώντας συμπερασματολογία μέσω μεταβλητών
Περίληψη:
Η βελτιστοποίηση ερωτημάτων έχει μελετηθεί εκτενώς από την κοινότητα των βάσεων δεδομέων. Πρόσφατα, μέθοδοι βαθειάς μηχανικής μάθησης έχουν εφαρμοστεί με τέτοιο τρόπο ώστε είτε να υποβοηθήσουν το βελτιστοποιητή του συστήματος βάσης δεδομένων στον υπολογισμό ποσοτήτων όπως, εκτίμηση πληθικότητας, πρόβλεψη υπολογιστικού κόστους και πρόβλεψη χρόνου εκτέλεσης ενός ερωτήματος, είτε στην κατασκευή βελτιστο- ποιητών με τη χρήση νευρωνικών δικτύων από το μηδέν. Παρά τα υποσχόμενα αποτελέ- σματα, λίγες μέθοδοι αντιμετωπίζουν όλες τις προκλήσεις που αντιμετωπίζει ένας βελτιστο- ποιητής στην πράξη ή συνδυαζούν και τα δεδομένα του συστήματος βάσης δεδομένων και τα ίδια τα ερωτήματα. O QPSeeker κάνει ένα βήμα προς την κατεύθυνση των βελτιστοποι- ητών βασισμένων σε αρχιτεκτονικές νευρωνικών δικτύων, κωδικοποιώντας αρχικά την πληροφορία που παρέχεται από τo σύνολο των ερωτημάτων προς εκτέλεση και για την κωδικοποίηση των πινάκων της υπάρχουσας βάσης, όπως επίσης χρησιμοποιεί τη δύναμη ειδικών προεκπαιδευμένων γλωσσικών μοντέλων, ειδικά σχεδιασμένων για τον χειρισμό πινακοειδών δεδομένων. Στη συνέχεια, εφαρμόζει και υπολογίζει μια ειδική μορφή του μηχανισμού προσοχής, προκειμένου να συνδυάσει τις δύο πηγές εισόδου με σκοπό να κάνει εκτίμηση των κατανομών των πληθικωτήτων, κόστους και χρόνου εκτέλεσης των δυνατών πλάνων εκτέλσης. Κατά την επεξεργασία ενός νέου ερωτήμάτος στο σύστημα της βάσης, ο QPSeeker, εξερευνά το χώρο καταστάσεων όλων των πιθανών πλάνων εκτέλεσης με τον αλγόριθμο Monte Carlo Tree Search κάνοντας χρήση του μοντέλου κόστους που διαμορφώθηκε κατά την εκπαίδευσή του, προκειμένου να παρέχει το καλύτερο πλάνο εκτέλεσης για το ερώτημα αυτό.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
μηχανική μάθηση, πολυτροπική προσοχή, συμπερασματολογια μέσω μεταβλητών, εκτίμηση πληθικότητας, εκτίμηση υπολογιστικού κόστους, εκτίμηση χρόνου εκτέλεσης ερωτήματος
Αρ. σελίδων ευρετηρίου:
4
Αρ. βιβλιογραφικών αναφορών:
38
