Radix Spline Parameter Optimization
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3091570Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
I denne oppgaven utforsker vi muligheten for å predikere den optimale konfigurasjonen av Radix Spline ved hjelp av et multi-output nevralt nettverk trent påsyntetiske datasett basert på ulike distribusjoner. Det nevrale nettverket viseren evne til å forutsi konfigurasjoner som gir tilfredsstillende resultater, ved å tahensyn til de viktigste egenskapene til hvert datasett som er reflektert i treningsdataene. Imidlertid har vi også identifisert flere begrensninger og utfordringer idenne studien, inkludert mangel på tilstrekkelig treningsdata og manglende representasjon av datasettet gjennom egenskapene som er brukt. Oppdagelsene i dennestudien gir et verdifullt bidrag til lærte indekser som et felt og gir et grunnlag forvidere forskning innen dette området. In this study, we investigate the possibility of predicting the optimal parameterconfiguration for the radix spline learned index structure. To tackle this challenge, we propose a novel approach utilizing a multi-output neural network modeltrained on synthetic datasets. By generating synthetic data based on various distributions and extracting relevant features to capture dataset characteristics, weenable the model to learn and predict the crucial parameters of radix bits andspline error. Our experiments demonstrate the model’s capability to predict asatisfactory parameter configuration for a considerable number of datasets. However, we also identify certain limitations and areas for improvement, such as theneed for generating more complex and diverse datasets, as well as exploring additional features. The findings of this research contribute to the advancement oflearned index structures and pave the way for the development of more efficientand automated parameter tuning techniques.