Der Beitrag "Is Your Learned Query Optimizer Behaving As You Expect: A Machine Learning Perspective" von Claude Lehmann, Pavel Sulimov und Kurt Stockinger wurde bei der VLDB 2024 (International Conference on Very Large Databases) akzeptiert, die zu den renommiertesten internationalen Konferenzen für Datenbankforschung zählt. Der Beitrag analysiert verschiedene gelernte Abfrageoptimierer (LQOs), d.h. Abfrageoptimierer, die maschinelle Lernansätze verwenden, um den klassischen Optimierer in Datenbankmaschinen zu verbessern oder zu ersetzen. Darüber hinaus bietet der Beitrag einen Rahmen für eine faire Bewertung von LQOs und gibt Ratschläge, wie man die Stabilität von LQOs durch maschinelle Lerntechniken verbessern kann. Der Beitrag zeigt, dass die Bewertung von LQOs nicht trivial ist und selbst die besten Ansätze des maschinellen Lernens den klassischen Optimierer in PostgreSQL - einem der am häufigsten verwendeten Open-Source-Datenbanksysteme - derzeit nicht systematisch übertreffen.

Diese Veröffentlichung ist das Ergebnis des GraphQueryML-Projekts, das vom Schweizerischen Nationalfonds (SNF) und der Deutschen Forschungsgemeinschaft (DFG) finanziert wird. Ein Vorabdruck des Beitrages ist zu finden unter https://arxiv.org/abs/2309.01551