HyperLogLog是一种高效的基数估计算法，使用仅12KB内存即可估算高达10亿的独立访客数，标准误差约为0.81%。该算法通过哈希值的前导零数量来估计基数，并采用调和平均降低方差。HyperLogLog++进一步优化了算法，支持稀疏表示和偏差修正，广泛应用于广告系统和数据分析中。

本研究针对现有基数估计方法在生产环境中的实际应用挑战，提出了DistJoin，一种基于高效分布预测的连接基数估计器。通过使用自适应神经谓词调制模型，DistJoin不仅支持等值和非等值连接的准确基数估计，还显著提高了对数据更新的鲁棒性和处理速度，有效减少了估计方差。

本研究提出了一种基于地标的上界最短路径新方法，有效解决了成本约束下的基数限制问题，显著提升了算法的实际应用性能。

本研究解决了高基数分类变量在机器学习中所带来的计算效率和模型可解释性问题。通过提出包括均值编码、低秩编码和多项式逻辑回归编码在内的新编码技术，研究展示了这些方法如何利用充分表示生成紧凑且信息丰富的分类数据嵌入。实证结果表明，与基线方法相比，所提出的技术在模型性能和计算效率方面均有显著提升，具有广泛的应用潜力。

openGemini开发了列存引擎，通过新数据排序与索引方式，解决了海量时序数据管理问题，提升了处理效率和性能，降低了内存占用。

在Oracle SQL中，基数和成本是优化器选择执行计划的关键。基数是查询返回的估计行数，影响是否使用全表扫描或索引。成本是执行查询所需资源的估计值，优化器选择最低成本的计划。准确的表统计信息对优化器决策很重要。

主动学习通过设计查询策略来选择信息量最大的数据点进行标记，提高学习算法效率和性能。ALPBench是一个支持主动学习流程的工具，包含86个数据集和5个主动学习设置，用于评估不同学习算法和查询策略的性能。

大型语言模型（LLMs）在自然语言导航任务中展现出卓越能力，特别是在表示和推理空间结构方面。LLMs的错误反映了空间和非空间因素，表明它们能够隐含地捕捉到空间结构的某些方面，但仍有改进空间。

该研究提出了一种基于树状结构的模型，可以同时估计成本和基数，并改进了现有的学习方法。实验结果表明该方法优于基线。

本文研究了自适应组合最大化问题，提供了新的综合近似保证，并发现了一种自适应选择策略的新参数“最大增益比”。这些结果对于主动学习和其他领域具有重要意义。

华为云开源的DTSE技术布道师黄飞腾分享了时序数据库的特点和遥测数据应用场景下的优势，以及openGemini时序数据库针对高基数问题开发的列存引擎。

本文介绍了时序数据库在企业和组织中的应用，以及InfluxDB 2.x中时间线的组织和呈现形式。同时，文章还探讨了高基数数据对InfluxDB读写性能的影响和应对措施。