Modelos de custo zero-shot para previsão de custo de prateleira

Neste artigo, introduzimos modelos de custo zero-shot, que possibilitam a estimativa de custo aprendida que se generaliza para bancos de dados não vistos. Em contraste com as abordagens de ponta orientadas por carga de trabalho, que exigem a execução de um grande conjunto de consultas de treinamento em cada novo banco de dados, os modelos de custo zero-shot permitem instanciar um modelo de custo aprendido diretamente, sem a coleta dispendiosa de dados de treinamento. Para viabilizar tais modelos de custo zero-shot, sugerimos um novo paradigma de aprendizado baseado em modelos de custo pré-treinados. Como contribuições principais para suportar a transferência de um modelo de custo pré-treinado para bancos de dados não vistos, introduzimos uma nova arquitetura de modelo e técnica de representação para codificar cargas de trabalho de consultas como entrada para esses modelos. Como mostraremos em nossa avaliação, a estimativa de custo zero-shot pode fornecer estimativas de custo mais precisas do que modelos de ponta para uma ampla gama de bancos de dados (do mundo real) sem exigir a execução de consultas em bancos de dados não vistos. Além disso, mostramos que os modelos de custo zero-shot podem ser usados em um modo few-shot que melhora ainda mais sua qualidade, re-treinando-os apenas com um pequeno número de consultas de treinamento adicionais no banco de dados não visto.