数据模型
ByteBrain团队VLDB25 | 面向不完美工作负载的无数据访问基数估计方法
导读本文基于ByteBrain团队实际生产场景,提出一项新的研究问题,即如何在无数据访问条件下,从不完美的查询工作负载中学习一个具备泛化能力与鲁棒性的基数估计模型;同时提出创新技术方案 GRASP (Generalizable and Robust, data-AgnoStic cardinality Prediction) ,借助组合式设计(Compositional Design)解决这一颇具挑战性的问题。 论文目前已经被VLDB25接收。 论文标题:Data-Agnostic Cardinality Learning from Imperfect Workloads论文作者:Peizhi Wu, Rong Kang, Tieying Zhang*, Jianjun Chen, Ryan Marcus, Zachary G.
6/26/2025 9:22:33 AM
ByteBrain
- 1
资讯热榜
标签云
人工智能
AI
OpenAI
AIGC
模型
ChatGPT
DeepSeek
AI绘画
谷歌
数据
机器人
大模型
Midjourney
用户
智能
开源
微软
Meta
GPT
学习
图像
技术
Gemini
AI创作
论文
马斯克
代码
Anthropic
算法
Stable Diffusion
英伟达
芯片
开发者
训练
生成式
蛋白质
智能体
腾讯
苹果
神经网络
3D
研究
生成
Claude
计算
机器学习
Sora
AI设计
AI for Science
AI视频
LLM
GPU
人形机器人
华为
搜索
xAI
百度
大语言模型
场景
Agent
字节跳动
预测
深度学习
伟达
AI新词
Transformer
工具
大型语言模型
视觉
RAG
神器推荐
模态
具身智能
文本
LLaMA
算力
驾驶
Copilot
API
应用