混和式索引...?

沒錯 ! 太炫了ㄅ XD

Hybrid Indexes主要是延伸自RMI，由不同的Models組合而成。

在最上層的Model使用簡單的深度神經網絡是最好的選擇，學習大量、複雜分布的資料型態。

最下層的Model則是使用簡單的線性回歸最適合，減少過多的空間、執行時間。

甚至對於最下層的Model相較難以學習的資料分布，可以改成B-Trees。

本篇paper只專注於兩種型態的模型:

• 0~2 層全連接層的簡單神經網絡(每層神經元數量 <= 32) + ReLU激勵函數

  • 0層的全連接層 = 簡單線性回歸

• B-Trees

在訓練前，我們必須先定義好整索引架構，總共幾層，每層的Models。

Hybrid Indexes 訓練演算法如下:

這裡解釋一下，如何計算Model的誤差，可以回顧一下 【Day 7 - 不精準的問題】

在這裡我們會計算出 Model 的 absolute min-/max- error，如果絕對值的最大誤差 > 預設的閾值，該Model就切換成B-Tree。

Hybrid的整體架構圖會像下方這張圖: