تقليم الإجراءات التكيفي: توسيع نطاق اختيار الفهرس لأحمال العمل غير المرئية

جدول الروابط

نبذة مختصرة و 1. المقدمة

1. الأعمال ذات الصلة

   2.1 أساليب اختيار الفهرسة التقليدية

   2.2 أساليب اختيار الفهرسة القائمة على التعلم المعزز

2. مشكلة اختيار الفهرسة

3. المنهجية

   4.1 صياغة مشكلة التعلم المعزز العميق

   4.2 التعلم المعزز العميق الواعي بالحالة لاختيار الفهرسة الفعال

4. إطار النظام لـ IA2

   5.1 مرحلة المعالجة المسبقة

   5.2 مرحلة التدريب والتطبيق للتعلم المعزز

5. التجارب

   6.1 إعدادات التجربة

   6.2 نتائج التجربة

   6.3 مقارنة الأداء من البداية إلى النهاية

   6.4 الرؤى الرئيسية

6. الخاتمة والعمل المستقبلي والمراجع

6.4 الرؤى الرئيسية

تلخيصاً لتجاربنا الواسعة، يمثل IA2 تقدماً كبيراً في اختيار الفهرسة، متفوقاً على الطرق الحالية في عدة مجالات رئيسية:

\ كفاءة التدريب السريعة: يتفوق IA2 بسرعة تدريبه التي لا مثيل لها، مستفيداً من نموذج التكلفة الافتراضي والنماذج المدربة مسبقاً لتسهيل القدرة على التكيف والتعلم السريع. تسمح هذه الكفاءة لـ IA2 بتقليل وقت التدريب بشكل كبير مقارنة بالمنافسين، مما يجعله مناسباً للغاية للبيئات التي تكون فيها السرعة أمراً حاسماً.

\ نمذجة أحمال العمل المتقدمة: على عكس الطرق الثابتة أو الشاملة، يستخدم IA2 نمذجة أحمال العمل الديناميكية، مما يمكنه من التكيف مع استعلامات وهياكل قواعد البيانات المتغيرة بسلاسة. تضمن هذه المرونة اختيار الفهرسة الأمثل عبر سيناريوهات متنوعة، بما في ذلك أحمال العمل غير المرئية مسبقاً.

\ استكشاف فضاء العمل الفعال: يقدم IA2 نهجاً مبتكراً لتقليم والتنقل في فضاء العمل، مما يحدد الإجراءات ذات المعنى بكفاءة في وقت مبكر من عملية التدريب. تتناقض هذه الاستراتيجية مع التقنيات الأكثر استهلاكاً للموارد لـ SWIRL [6] أو القواعد الصارمة لـ Lan وآخرون [7]، مما يوفر مساراً متوازناً لتحسين تكوينات الفهرسة دون البحث الشامل أو التبسيط المفرط.

\

:::info المؤلفون:

(1) Taiyi Wang، جامعة كامبريدج، كامبريدج، المملكة المتحدة (Taiyi.Wang@cl.cam.ac.uk)؛

(2) Eiko Yoneki، جامعة كامبريدج، كامبريدج، المملكة المتحدة (eiko.yoneki@cl.cam.ac.uk).

:::

:::info هذه الورقة متاحة على arxiv بموجب ترخيص CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\