اکسپرس 24
ترجمه فارسی مقاله UpLIF: یک چارچوب شاخص یادگیری‌شده‌ی خودتنظیم‌پذیرِ قابل به‌روزرسانی

ترجمه فارسی مقاله UpLIF: یک چارچوب شاخص یادگیری‌شده‌ی خودتنظیم‌پذیرِ قابل به‌روزرسانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی UpLIF: An Updatable Self-Tuning Learned Index Framework
عنوان مقاله به فارسی UpLIF: یک چارچوب شاخص یادگیری‌شده‌ی خودتنظیم‌پذیرِ قابل به‌روزرسانی
نویسندگان Alireza Heidari, Amirhossein Ahmadi, Wei Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
دسته بندی موضوعات Databases,Machine Learning,Optimization and Control,بانکهای اطلاعاتی , یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: 20 pages, ACM IDEAS 2024
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 20 صفحه ، ایده های ACM 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 800,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The emergence of learned indexes has caused a paradigm shift in our perception of indexing by considering indexes as predictive models that estimate keys' positions within a data set, resulting in notable improvements in key search efficiency and index size reduction; however, a significant challenge inherent in learned index modeling is its constrained support for update operations, necessitated by the requirement for a fixed distribution of records. Previous studies have proposed various approaches to address this issue with the drawback of high overhead due to multiple model retraining. In this paper, we present UpLIF, an adaptive self-tuning learned index that adjusts the model to accommodate incoming updates, predicts the distribution of updates for performance improvement, and optimizes its index structure using reinforcement learning. We also introduce the concept of balanced model adjustment, which determines the model's inherent properties (i.e. bias and variance), enabling the integration of these factors into the existing index model without the need for retraining with new data. Our comprehensive experiments show that the system surpasses state-of-the-art indexing solutions (both traditional and ML-based), achieving an increase in throughput of up to 3.12 times with 1000 times less memory usage.

چکیده به فارسی (ترجمه ماشینی)

ظهور شاخص های آموخته شده با در نظر گرفتن شاخص ها به عنوان مدلهای پیش بینی کننده که موقعیت کلیدها را در یک مجموعه داده تخمین می زند ، باعث تغییر پارادایم در درک ما از نمایه سازی شده است و در نتیجه پیشرفت های قابل توجه در کارآیی کلیدی جستجو و کاهش اندازه شاخص ایجاد می شود.با این حال ، یک چالش مهم ذاتی در مدل سازی شاخص آموخته ، پشتیبانی محدود آن برای عملیات به روزرسانی است که به دلیل نیاز به توزیع ثابت سوابق ضروری است.مطالعات قبلی رویکردهای مختلفی را برای پرداختن به این مسئله با اشکال سربار بالا به دلیل آموزش چند مدل ارائه داده اند.در این مقاله ، ما uplif ، یک شاخص آموخته شده خودآموز سازگار را ارائه می دهیم که مدل را برای قرار دادن به روزرسانی های ورودی تنظیم می کند ، توزیع به روزرسانی ها را برای بهبود عملکرد پیش بینی می کند و ساختار شاخص آن را با استفاده از یادگیری تقویت کننده بهینه می کند.ما همچنین مفهوم تنظیم مدل متعادل را معرفی می کنیم ، که خصوصیات ذاتی مدل (یعنی تعصب و واریانس) را تعیین می کند ، و امکان ادغام این عوامل در مدل شاخص موجود را بدون نیاز به بازآموزی با داده های جدید فراهم می کند.آزمایش های جامع ما نشان می دهد که این سیستم از راه حل های پیشرفته ای از هنر (هم سنتی و هم مبتنی بر ML) پیشی می گیرد و با افزایش 1000 برابر مصرف حافظه ، افزایش توان حداکثر 3.12 برابر را بدست می آورد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.