现有的索引选择方法存在诸多局限性.首先,大多数方法考虑场景较为单一,不能针对特定数据模态选择合适的索引结构,进而无法有效应对海量多模态数据;其次,现有方法未考虑索引选择时索引构建的代价,无法有效应对动态的工作负载.针对上述问题,提出一种面向多模态数据的智能高效索引选择模型APE-X DQN(Distributed prioritized experience replay in deep Q-network),称为AP-IS(APE-X DQN for index selection).AP-IS设计了新型索引集编码和SQL语句编码方法,该方法使AP-IS在感知多模态数据的同时兼顾索引结构本身的特性,极大地降低了索引的存储代价.APIS集成新型索引效益评估方法,在优化强化学习奖励机制的同时,监控数据库工作负载的执行状态,保证动态工作负载下AP-IS在时间和空间上的优化效果.在真实多模态数据集上进行大量实验,验证了AP-IS在工作负载的延迟、存储代价和训练效率等方面的性能,结果均明显优于最新索引选择方法.
工业控制系统(Industrial control systems,ICS)在现代工业生产中发挥关键作用,负责监控和控制工业过程,确保高效、安全和稳定的生产.随着工业4.0和智能制造的发展,传统工业控制方法难以应对日益复杂且动态变化的生产环境.深度强化学习(...
详细信息
工业控制系统(Industrial control systems,ICS)在现代工业生产中发挥关键作用,负责监控和控制工业过程,确保高效、安全和稳定的生产.随着工业4.0和智能制造的发展,传统工业控制方法难以应对日益复杂且动态变化的生产环境.深度强化学习(Deep reinforcement learning,DRL)结合了深度学习与强化学习的优势,在工业智能控制领域展现出巨大潜力.本文综述了DRL在工业智能控制中的应用现状和研究进展.首先介绍了DRL的基本原理及相关算法,并简述工业控制的背景,分析智能控制的应用需求与现存挑战.随后,详细综述了DRL在工业领域的应用,并对当前研究进行了总结,最后对未来研究方向提出了展望.
在光谱三维CT数据中,传统卷积的全局特征捕捉能力不足,而全尺度的自注意力机制则需要大量的计算资源.为了解决这一问题,本文引入一种新视觉注意力范式(wave self-attention,WSA).相比于ViT技术,该机制使用更少的资源获得同等的自注意力信息.此外,为更充分地提取器官间的相对依赖关系并提高模型的鲁棒性和执行速度,本文为WSA机制设计了一种即插即用的模块——波随机编码器(wave random encoder,WRE).该编码器能够生成一对互逆的非对称全局(局部)位置信息矩阵.其中,全局位置矩阵用来对波特征进行全局性的随机取样,局部位置矩阵则用于补充因随机取样而丢失的局部相对依赖.本文在标准数据集Synapse和COVID-19的肾脏和肺实质的分割任务上进行实验.结果表明,本文方法在精度、参数量和推理速率方面均超越了nnFormer、Swin-UNETR等现有模型,达到了SOTA水平.
暂无评论