L'Arbre RLR : Un Arbre R basé sur l'apprentissage par renforcement pour les données spatiales

Des index appris ont été proposés pour remplacer les structures d'index classiques telles que l'Arbre B par des modèles d'apprentissage automatique (AA). Cela nécessite de remplacer à la fois les index et les algorithmes de traitement des requêtes actuellement déployés par les bases de données, et un tel changement radical est susceptible de rencontrer des défis et des obstacles. En revanche, nous proposons une façon fondamentalement différente d'utiliser des techniques d'AA pour construire un meilleur Arbre R sans avoir à changer la structure ou les algorithmes de traitement des requêtes de l'Arbre R traditionnel. Plus précisément, nous développons des modèles basés sur l'apprentissage par renforcement (AR) pour décider comment choisir un sous-arbre pour l'insertion et comment diviser un nœud lors de la construction et de la mise à jour d'un Arbre R, au lieu de s'appuyer sur des règles heuristiques artisanales actuellement utilisées par l'Arbre R et ses variantes. Des expériences sur des ensembles de données réels et synthétiques avec plus de 100 millions d'objets spatiaux montrent que notre index basé sur l'AR surpasse l'Arbre R et ses variantes en termes de temps de traitement des requêtes.