Key points are not available for this paper at this time.
L'indexation efficace est fondamentale pour la gestion et l'analyse des données multidimensionnelles. Une tendance émergente consiste à apprendre directement la disposition de stockage des données multidimensionnelles par des modèles d'apprentissage automatique simples, donnant lieu au concept d'Index Appris. Comparés aux indices conventionnels utilisés depuis des décennies (par exemple, les variantes kd-tree et R-tree), les indices appris se sont révélés empiriquement efficaces en termes d'espace et de temps sur des architectures modernes. Cependant, il manque une évaluation complète des indices appris multidimensionnels existants sous un banc d'essai unifié, ce qui rend difficile le choix de l'indice adapté pour des données et requêtes spécifiques et empêche en outre le déploiement des indices appris dans des scénarios d'application réels. Dans cet article, nous présentons la première étude empirique approfondie pour répondre à la question de la qualité des indices appris multidimensionnels. Six indices récemment publiés sont évalués sous une configuration expérimentale unifiée comprenant la mise en œuvre de l'indice, des ensembles de données, des charges de requêtes, et des métriques d'évaluation. Nous examinons de manière approfondie les résultats d'évaluation et discutons des constats qui peuvent fournir des perspectives pour la conception future d'indices appris.
Liu et al. (Thu,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: