Deep Upsupervised Cardinality Estimation
- 本篇博客是对Deep Upsupervised Cardinality Estimation的解读,原文连接为:https://dl.acm.org/doi/pdf/10.14778/3368289.3368294
- 本文介绍了如何使用深度自回归模型(如:MADE、transformer)来进行基数估计的任务(利用模型训练拟合数据分布)
- 特征:
- 使用autoregressive model,无监督学习
- 没有独立性假设
- 支持范围查询
选择性(基数)估计问题定义
- selectivity——选择度。本文针对的是给定谓词,估计其可以估计数据表中满足该谓词的元组的比例,有如下定义:
其中分母T就是表的总行数,分子是满足选择谓词的行数。
选择性与数据联合分布的关系
- 文中给出联合分布(joint distribution)的定义:
其中分母T仍表示表行数,f为满足a1,a2…an条件的行数。因此实际上联合分布和选择度有着十分紧密的联系(基本一致)。同时联合分布还可以通过因式分解(factorization)写成:
这个公式没有做任何独立性假设,并且保留了属性之间的相互关系,所以要得到一个比较准确的选择度,实际上需要建立一个可以计算上述公式的模型。
深度自回归模型如何计算joint distribution
- 作者选用Autoregressive Model进行对数据联合分布的拟合。以某一列为例。对于一列数据的分布,模型的input为前几列值的组合(因为是条件概率),输出的是在前几列的条件下,改列的分布概率。例如一张表travel_checkins含有三个属性:city、year、stars。给定一行作为输入:
:
上式的三个输出依次是条件概率:
- 下图显示了模型工作流程的简化表示
编解码策略
在训练模型时,我们必须将数据表中的每个元素编码成机器可以理解的语言。当模型输出时,我们必须对编码进行解码以获得各种概率。下面介绍作者提出的编解码策略。
- small-domain:
- encodding:one-hot
- decoding:一个全连接层FC(F,|Ai|),其中F为隐藏层大小,|Ai|第i列的值域大小。输出一个长度|Ai|的向量,每个元素表示位于该值的概率。
- large-domain:
- encodding:Embedding,通过词嵌入将各值映射为一个固定长度h的向量
- decoding:Embedding reuse。当属性值域太大时,向上面一样使用一个全连接层产生一个非常长的向量,这在空间上和计算复杂度上都十分低效。在这里作者提出Embedding reuse,同样使用一个全连接层FC(F,h),其中F还是隐藏层的大小,h为Embedding规定的向量长度,这样神经网络就会生成一个长度为h的向量H,接着通过计算并对其进行标准化处理,我们就能得到一个代表选择度的度量值。
具体实现
本文提供的方法支持点查询和范围查询,一般来说
- 点查询,即等价查询,将上式转化为:
- 范围查询:对于范围查询,本文采用渐进抽样的方法对数据表进行抽样,估计概率
- wildcard-skipping:这里提到的通配符不是指like查询,而是指age = any,也就是age可以为任何值,即范围查询age = [0, Di]。所以这里提到的通配符是为了满足有些条件没有filter的处理。
为了达到这个目的,作者设计了特殊的token,Xi = MASKi,如age这一列的token为MASK_age。训练的时候,会把每一列用这个token替换掉,进行训练(这样就需要训练n次?n为列的个数,相当于数据被复制了n份,每一份把一列的值替换为token)。
实际操作的时候,会随机sample一个tuple,age对应的值换成MASK_age,表明age取所有值,其他值的条件概率就是当age取所有值的情况下,其条件概率为多少,作为label。至于sample多少条数据,这个要看具体效果了。
另外要根据实际的query确定哪些列需要有这个通配符。再举个具体的例子,一个表有三列a b c,查询为a=1,那么模型训练的时候必须要有b=MASK_b,c=MASK_c,查询的输入为a=1, b=MASK_b,c=MASK_c。再如a<10,一种方法是sampling,还有一种方法是模型训练的时候要有a=MASK_a, 这样查询的时候输入是a=MASK_a, b=MASK_b,c=MASK_c,a的输出会得到所有的值,再把<10对应的值的概率加起来。
所以,这个通配符是非常有用的,因为在真实查询中,不可能保证所有列上都有条件,那么没有条件的列就用通配符替代。当然也可以用sampling的方式,但是通配符的查询效率更高。
属性顺序
从上面的分析中可以看到每列实际上是有顺序的,比如模型的输入是列a b c,输出是条件概率,既然是条件概率,那么b的概率是给定a得到,c的概率是给定a和b得到。所以这个顺序要提前定好,如果查询是b=1 a=2,需要把顺序调整成a=2 b=1输入到模型。
均匀和渐进式采样
两种sampling策略是为了解决范围查询的选择度估计问题。
假设一个范围查询字段,如果用等价的方法来处理这个问题,在一些更糟糕的情况下,查询字段可能会很大(比如可能是),这样很费时又占空间——消耗。为了解决这个问题,本文尝试了两种解决方案:
- uniformly sampling
- 从R(查询域)中均匀随机抽样出,接着将该输入模型,计算出该样本在数据表中的概率:,基于朴素蒙特卡洛,对于S个样本,我们可以将作为期望密度的无偏估计。简单来说,该方案是将点随机扔到目标区域R中,以探测其平均密度。
- 均匀采样的缺点:考虑这样一个情况,数据表T有n个属性列,但每一列的数据都非常倾斜,有99%的数据只集中在前1%的值域中,剩下1%的数据分散到后99%的值域内。在这种情况下,如果我们想进行值域前50%的范围查询。通过随机抽样我们大概率只能抽到1%-50%内的数据,计算出的结果会严重失真。如果要保持准确性,我们必须抽个样本才能都取到数据高密度区域。真实的数据集中,这样倾斜的数据常有出现,当均匀抽样遇到这样的数据会很快崩溃,产生非常大的误差如下图左,这里我们使用下文提出的渐进采样来决绝该问题。
- progressive sampling
- 渐进式采样。在均匀抽样中,我们在查询域中随机选择一组样本。但实际上,我们可以更有选择性地挑选样本。具体来说,我们可以使用模型生成每个属性的概率分布,同时根据生成的概率分布进行采样。因为采样是逐渐进行的,所以称为渐进式采样。通过渐进式采样,我们可以轻松地对数据密度高的区域进行采样,如上图右侧所示。进行如下操作:
(*^▽^*)
(*^▽^*)
(*^▽^*)
(*^▽^*)
(*^▽^*)
作者的解读并不简单。如果有帮助,请给作者点个赞(*^▽^*)
欢迎与作者交流相关问题!
版权声明:本文为博主茶柒每天要学习原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/Y_HEyEwuyuE/article/details/123264173