PRICE：一种用于跨数据库基数估计的预训练模型
内容提要
本文介绍了多种基于深度学习的查询优化器和基数估计方法，如NeuroCard、Duet和MSCN模型。这些方法利用神经网络技术，提高了查询的精确度和效率，克服了传统方法的不足，适用于复杂查询和动态环境。实验结果显示，这些新模型在准确性和系统性能上优于现有技术。
延伸解读
从传统方法到学习模型的演进
文章梳理了基数估计从传统方法到深度学习模型的演进脉络。传统方法依赖独立性假设和采样，在复杂查询和多维数据上误差较大。NeuroCard、Duet、MSCN等模型利用神经网络直接学习数据分布，无需独立性假设，从而提高了准确性。这一演进反映了数据库查询优化领域对更精确、更高效估计方法的持续追求。
学习模型的优势与代价
文章指出，学习模型在准确性上普遍优于传统方法，但训练和推理成本较高。例如，对四个真实数据集的比较显示，学习模型更准确但计算开销更大。此外，动态环境下模型可能面临性能下降和可信度问题。因此，实际部署需权衡精度与成本，并探索控制成本、提高可信度的研究方向。
预训练与零样本估计的潜力
文章提到，预训练模型可用于零样本成本估计，无需在未知数据库上执行查询，避免了昂贵的数据收集开销。通过深度学习架构和查询工作量表示技术，预训练模型能迁移到新环境，并在少样本场景下进一步微调。这为跨数据库基数估计提供了新思路，有望降低部署门槛。
面向复杂查询的模型设计
针对复杂查询，文章介绍了多种模型设计。例如，Duet以可微分形式直接估计范围查询基数，降低了时间和内存成本；附加限定词GNN模型能整合限定词信息，准确预测超关系知识图上的查询基数；MSCN结合集合语义捕获查询特征和跨表连接相关性。这些设计针对不同查询类型和数据特点，提升了估计质量。
Q&A
NeuroCard 是什么，它的主要优势是什么？
NeuroCard 是一种基于神经网络的查询优化器，能够精确预测复杂查询的关系及数量，主要优势在于更高的精确度和较小的存储空间。
Duet 模型在基数估计中有什么创新之处？
Duet 模型是一种新型混合确定建模方法，允许以可微分的形式直接估计范围查询的基数，具有更好的效率和可扩展性。
如何提高基数估计的准确性和系统效率？
通过使用自动回归模型和蒙特卡罗积分方案，可以显著提高基数估计的准确性和系统运行效率。
零射模型成本的主要功能是什么？
零射模型成本利用预训练模型提供更精确的成本估计，避免了在未知数据库上执行查询的昂贵数据收集开销。
MSCN 深度学习模型在基数估计中表现如何？
MSCN 深度学习模型在真实数据集上表现出色，显著提高了基数估计的质量，尤其在捕获跨表连接相关性方面表现优异。
文章中提到的基于树状结构的模型有什么优势？
基于树状结构的模型能够同时估计查询的成本和基数，解决了传统方法的不足，考虑了查询和物理操作的特征提取。
