本文介绍了一种名为 NeuroCard 的查询优化器，它利用了神经网络技术，结合了 join 采样和深度自回归模型，能够精确地预测复杂查询的关系及数量。该方法实现了比现有方法更高的精确度，而且具有较小的存储空间和高效的构建时间。

Jun, 2020

通过提出一种基于树状结构的模型的有效端到端学习成本和基数估计框架，该模型可以同时估计成本和基数，从而解决了传统经验成本和基数估计技术的不足，同时考虑了查询和物理操作的特征提取，提出了一种有效的方法来编码字符串值，并对现有基于学习的方法进行了改进，实验结果表明我们的方法优于基线。

Jun, 2019

使用自动回归模型进行基数估计，提出了一种可处理多维关系表密集统计的新方法。通过蒙特卡罗积分方案，无需独立性假设，即可近似联合数据分布，实现单位误差计算效率，可显著提高准确性和系统运行效率。

May, 2019

本研究旨在探讨学习模型在实际部署中替代基于传统方法的概数估计器的潜力。通过对四个实际数据集进行五种学习方法和八种传统方法的比较，结果显示学习模型更加准确但训练和推理成本较高。此外，我们探究了学习模型在动态环境下的表现和可能出现的问题，并提出了控制成本和提高可信度这两个有前途的研究方向以及其他研究机会。

Dec, 2020

预定深度学习模型、表格数据、数据集成、神经网络架构、CARTE 等是该论文的关键词，并且 CARTE 是可用于表格数据的大型预训练模型的一种神经网络架构。

Feb, 2024

我们提出了一种名为 Duet 的新型混合确定建模方法，用于基数估计问题，与之前的方法相比，具有更好的效率和可扩展性。Duet 允许以可微分的形式直接估计范围查询的基数，时间和内存成本大大降低。通过将模型估计错误较大的查询纳入训练过程中，我们可以解决高维表上模型估计误差的长尾分布问题。我们对经典数据集和基准进行了 Duet 的评估，结果证明了 Duet 的有效性。

Jul, 2023

本文提出了零射模型成本，利用预训练模型提供更精确的成本估计，而无需在未知数据库上执行任何查询，避免了昂贵的数据收集开销。深度学习架构及查询工作量的表示技术也被本文提出用以支持预训练模型的转移，进一步提高了模型的质量及精度。而可在少数查询的少数 - shot 应用程序中，使用预训练成本模型进行改进。

Jan, 2022

本研究旨在通过构建多样化和无偏见的超关系查询集，综合调查超关系知识图上的查询基数估计问题，并提出一种新颖的附加限定词图神经网络（GNN）模型，该模型能够有效地将限定词信息整合，并自适应地合并多个 GNN 层的输出，以准确预测查询基数。实验证明，所提出的超关系查询编码器在多样化和无偏见的基准测试上优于所有现有的超关系知识图上的查询基数估计方法。

May, 2024

本文提出了一种基于 MSCN 深度学习模型的基数估计方法，该模型结合了集合语义用于捕获查询特征和真实基数，在解决采样估计的弱点和捕获跨表连接相关性方面表现出色，并在真实数据集上评估证明深度学习技术可以显著提高基数估计的质量。

Sep, 2018

本文介绍了一种使用机器学习技术来预测 SQL 查询资源使用的服务，并且可以帮助改善查询调度，解决 SQL 引擎集群中不平衡的 OLAP 工作负载问题。

Apr, 2022