相関プロキシモデルを用いた機械学習推論クエリの最適化【JST・京大機械翻訳】

Yang Zhihui; Wang Zuozhi; Huang Yicong; Lu Yao; Li Chen; Wang X. Sean

プレプリント

J-GLOBAL ID：202202217233819097 整理番号：22P0022546

相関プロキシモデルを用いた機械学習推論クエリの最適化【JST・京大機械翻訳】

Optimizing Machine Learning Inference Queries with Correlative Proxy Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月02日プレプリントサーバーでの情報更新日： 2022年01月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

非構造化データセットに関する加速機械学習(ML)推論クエリを考察した。特徴抽出器や分類器のような拡張演算子を,ユーザ定義関数(UDF)として展開し,それは,述語プッシュダウンのような古典的クエリ最適化技法とは不可能であった。最近の最適化スキーム(例えば,確率的予測またはPP)は,質問述語間の独立性を仮定し,各述語オフラインのプロキシモデルを構築し,高価なML UDFの前面にこれらの安価なプロキシモデルを注入することによって新しいクエリを書き換える。このような方法で,クエリ述語を満足しないような入力は,ML UDFを迂回するために早期にフィルタリングされる。この文脈における独立仮定の強制は,準最適計画をもたらすかもしれないことを示した。本論文では,述語相関をより良く活用し,ML推論クエリを加速する質問最適化器であるCOREを提案する。著者らの解決策は,新しいクエリのためにオンラインでプロキシモデルを築き上げて,建築物コストを減らすために分岐および結合探索プロセスを利用する。3つの実世界テキスト,画像およびビデオデータセットに関する結果は,COREがPPと比較して最大63%までクエリスループットを改善し,それとしてクエリを走行するのと比較して最大80%まで改善することを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

データベースシステム , 人工知能

, , , , , ,

前のページに戻る