Explorando o Uso de Short-term Memory na Construção de Métodos de Acesso Métricos Mais Eficientes
Resumo
Indexação e recuperação por similaridade são operações fundamentais para aplicações que lidam com dados complexos. Este trabalho propõe uma nova estratégia para indexação no método de acesso métrico Slim-tree que emprega uma estrutura auxiliar denominada short-term memory. A estratégia foi avaliada em um cenário dinâmico e os experimentos preliminares mostram uma redução significativa do número de cálculos de distância, do número de acessos a disco e do tempo de execução em consultas aos k-vizinhos mais próximos.
Palavras-chave:
Indexação, Slim-tree, Short-term memory
Referências
Ciaccia, P., Patella, M., and Zezula, P. (1997). M-tree: An efficient access method for similarity search in metric spaces. In VLDB, pages 426–435, Atenas, Grécia.
Gama, J. (2012). A survey on learning from data streams: current and future trends. Progress in Artificial Intelligence, 1(1):45–55.
Guttman, A. (1984). R-trees: A dynamic index structure for spatial searching. In SIGMOD, pages 47–57, Boston, Massachusetts.
Lichman, M. (2013). UCI Machine Learning Repository, University of California, Irvine, http://archive.ics.uci.edu/ml.
Navarro, G. and Reyes, N. (2016). New dynamic metric indices for secondary memory. Information Systems, 59:48–78.
Oliveira, P., Traina, C., and Kaster, D. (2015). Improving the pruning ability of dynamic metric access methods with local additional pivots and anticipation of information. In ADBIS, LNCS 9282, pages 18–31, Poitiers, França. Springer.
Skopal, T. (2006). On fast non-metric similarity search by metric access methods. In EDBT, LNCS 3896, pages 718–736, Munique, Alemanha. Springer.
Souza, J., Razente, H., and Barioni, M. C. (2014). Optimizing metric access methods for querying and mining complex data types. J. Braz. Comput. Soc., 20(1):1.
Traina, C., Traina, A., Faloutsos, C., and Seeger, B. (2002). Fast indexing and visualization of metric data sets using slim-trees. IEEE Trans Knowl Data Eng, 14(2):244–260.
Vieira, M. R., Jr., C. T., Chino, F. J. T., and Traina, A. J. M. (2010). Dbm-tree: A dynamic metric access method sensitive to local density data. JIDM, 1(1):111–128.
Gama, J. (2012). A survey on learning from data streams: current and future trends. Progress in Artificial Intelligence, 1(1):45–55.
Guttman, A. (1984). R-trees: A dynamic index structure for spatial searching. In SIGMOD, pages 47–57, Boston, Massachusetts.
Lichman, M. (2013). UCI Machine Learning Repository, University of California, Irvine, http://archive.ics.uci.edu/ml.
Navarro, G. and Reyes, N. (2016). New dynamic metric indices for secondary memory. Information Systems, 59:48–78.
Oliveira, P., Traina, C., and Kaster, D. (2015). Improving the pruning ability of dynamic metric access methods with local additional pivots and anticipation of information. In ADBIS, LNCS 9282, pages 18–31, Poitiers, França. Springer.
Skopal, T. (2006). On fast non-metric similarity search by metric access methods. In EDBT, LNCS 3896, pages 718–736, Munique, Alemanha. Springer.
Souza, J., Razente, H., and Barioni, M. C. (2014). Optimizing metric access methods for querying and mining complex data types. J. Braz. Comput. Soc., 20(1):1.
Traina, C., Traina, A., Faloutsos, C., and Seeger, B. (2002). Fast indexing and visualization of metric data sets using slim-trees. IEEE Trans Knowl Data Eng, 14(2):244–260.
Vieira, M. R., Jr., C. T., Chino, F. J. T., and Traina, A. J. M. (2010). Dbm-tree: A dynamic metric access method sensitive to local density data. JIDM, 1(1):111–128.
Publicado
04/10/2016
Como Citar
SOUSA, Régis Michel dos Santos; RAZENTE, Humberto; BARIONI, Maria Camila N..
Explorando o Uso de Short-term Memory na Construção de Métodos de Acesso Métricos Mais Eficientes. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 31. , 2016, Salvador/BA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2016
.
p. 163-168.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2016.24322.
