Key points are not available for this paper at this time.
تستخدم المIndexes المتعلمة تقنيات تعلم الآلة لتحسين بناء الفهرس. ومع ذلك، غالبًا ما تواجه تعارضًا أساسيًا بين الأداء واستهلاك الذاكرة، خاصة في البيئات الديناميكية مع عمليات الإدراج والحذف المتكررة. ينبع هذا التعارض من أساليب البناء المستخدمة في الفهارس المتعلمة: تزيد طريقة من الأعلى إلى الأسفل من الأداء على حساب حمل ذاكرة كبير، بينما تركز الطريقة من الأسفل إلى الأعلى على كفاءة الذاكرة لكن تُدخل مشاكل في الأداء بسبب أخطاء التنبؤ. وبالتالي، يُعتبر الحل الموحد الذي يحسن الأداء واستهلاك الذاكرة في سيناريوهات إدارة البيانات الديناميكية مرغوبًا بشدة. نقترح هايبر، وهو دليل متعلم عالي الكفاءة مع نهج بناء هجين من مرحلتين مبتكر. يجمع نهجنا بين البناء من الأسفل إلى الأعلى للعقد الورقية مع البناء من الأعلى إلى الأسفل للعقد الداخلية لتحقيق توازن مثالي بين الأداء واستهلاك الذاكرة. يتعامل هايبر بفاعلية مع الكتابات المتزامنة وتعديلات الهيكل دون التضحية بأداء الاستعلام. قمنا بتقييم هايبر على كل من مجموعات البيانات الحقيقية البسيطة والمعقدة وقارناه مع سبعة فهارس متعلمة حديثة والعديد من الهياكل البيانية التقليدية للأحمال الديناميكية. تظهر نتائج التقييم أن هايبر يحقق زيادة ملحوظة في الأداء تصل إلى 3.75 مرة مع تقليل كبير لاستهلاك ذاكرة الفهرس يصل إلى 1610 مرة في تقييم الخيط الواحد. في سيناريوهات التزامن العالي، يحقق هايبر حتى تحسينات تصل إلى 5.73، 3.72، و3.99 في الأحمال للقراءة فقط، للقراءة والكتابة، والكتابة فقط.
درس زانغ وآخرون (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: