Jun, 2024

KnobTree：基于可解释强化学习的智能数据库参数配置

PDF
TL;DR提出了 KnobTree 框架，用于优化数据库参数配置，其中包括基于强化学习不同树的可解释数据库调优算法，以及利用 Shapley 值进行参数重要性评估的可解释方法。在 MySQL 和 Gbase8s 数据库上进行的实验证实了 KnobTree 模型具有出色的透明度和可解释性，并在吞吐量、延迟和处理时间等方面略优于现有的基于强化学习的调优算法。
databasesdeep reinforcement learningknobtreedatabase parameter configurationexplainable database tuning strategies
发现论文，激发创造
  • 基于深度学习的数据库管理系统自动调优

    利用 OtterTune 的方法，通过有监督和无监督的机器学习方法选择对系统有影响力的 knobs，映射未知的工作负载，推荐 knob 设置，并改进延迟预测，并使用 GMM 聚类去除指标并组合集成模型（如 RandomForest）与非线性模型（如神经网络）进行预测建模。

    Apr, 2023

  • 使用深度学习进行数据库管理系统的自动调优

    通过使用 OtterTune 自动化工具，利用监督和无监督机器学习技术实现对数据库系统配置的自动管理，并通过对比实验证明，其生成的配置与人工专家配置相当或甚至更优，本文则是在原有的自动化技术基础上，利用机器学习方法进一步优化了新的数据库系统的部署，特别是在准确性预估上。

    Jun, 2023

  • 使用黑盒强化学习实现分类树的最佳可解释性与性能平衡

    该论文研究了一种新的 Reinforcement Learning (RL) 框架，证明了只需要解决一个完全可观测的问题就能学习到一个优化可解释性 - 性能平衡的决策树。

    Apr, 2023

  • LLMTune：利用大型语言模型加速数据库参数调优

    基于大型语言模型的配置生成器 LLMTune 加速了优化器的调优过程，通过提供高质量的起始配置，避免了对不高效区域的冗余探索，从而在发现最佳配置方面取得显著的加速效果。

    Apr, 2024

  • Distill2Explain: 可解释的强化学习能源应用控制器中可微分的决策树

    提出了一种使用可解释的决策树来训练数据驱动型控制策略的新方法，用于解锁居住部门在能源灵活性方面的潜力，并展示其在家庭能源管理系统中降低能源成本方面优于基准策略的性能和可解释性。

    Mar, 2024

  • 决策树的优质多样进化学习

    为了解释机器学习的需求，在解释性人工智能研究方向上，决策树和增强学习的混合模型成为一个新的研究方向，其中使用了 MAP-Elites 方法来拓展模型，该方法在 OpenAI Gym 库的两个控制问题中表现良好。

    Aug, 2022

  • 深度强化学习驱动调度的可解释建模

    通过使用可解释性强的决策树模型，我们提出了一个名为 IRL（可解释增强学习）的框架，用于解决深度强化学习在集群调度中缺乏可解释性的问题，并且证明了 IRL 可以在保持相似调度性能的同时将黑盒深度神经网络策略转化为可解释的基于规则的决策树。

    Mar, 2024

  • 通过模型提取方法解释黑匣子模型

    为了解释黑盒模型，本文提出使用决策树对其进行全局解释，并采用新的决策树提取算法避免过拟合，评估表明该方法正确率更高且可解释性更强。

    May, 2017

  • 深度可解释关系强化学习：神经符号方法

    提出了一种新的框架 Deep Explainable Relational Reinforcement Learning (DERRL)，它结合了神经网络和符号世界的优势来提取可解释的策略。通过在倒计时游戏、积木世界、网格世界和交通等不同环境中的实验证明，DERRL 可以适用于不同的配置和情境，从而具有通用性。

    Apr, 2023

  • 一项关于自适应系统可解释的在线强化学习的用户研究

    在线强化学习和深度强化学习在自适应系统和可解释性 RL 技术方面的实际应用以及用户研究。

    Jul, 2023