[ICDE 2022]How Learning Can Help Complex Cyclic Join Decomposition

总结

主要贡献是把子图匹配策略的cost的判断改为了GNN实现的预测（写得挺模棱两可的）

动机

解决子图匹配的一个重要问题是解决复杂循环连接查询。文章除了在工程方面提供了GUI，主要的贡献是设计了合理的框架，使用AI更好地解决了复杂循环连接查询。

问题定义

实现有点、边标签的图的子图匹配

框架

用户的查询扔进来之后会先进行解析，把所有点都视为一个自循环查询（？），然后使用GHD（广义超树分解）将解析结果分解成无循环连接的树。GHD部分将使用AI强化（LSS）。最后，评估计算最佳的计划，也就是用那棵树。

比如图2(a)，其中的每条边都是超边。GHD的目标就是将这个循环超图转为树(b)（前面不是说无循环吗？）
模型的训练目标就是用GNN和MSE去拟合每一组树的cost。（ground truth怎么来的？如何一一对应？）

数据集

实验

评估指标是Q-Error，基本意思是判断估计的cost和实际cost之间的差距。
SOTA是一篇17年的文章，不涉及AI。相当于是在已有的AGM上增加了一层AI的cost预测来辅助选择匹配策略。（AGM原文没有任何实验）