乌漆 WhiteMoon

摘要： 目录TPCH ACID 测试流程测试结果分析原子性测试一致性测试隔离性测试 TPC-H ACID 测试​是 TPC-H 基准测试中一个至关重要的非性能部分，它用于验证被测系统（SUT）是否满足数据库事务处理所必需的 ACID 属性（原子性、一致性、隔离性、持久性）。由于 TPC-H 本身是一个决策支 阅读全文

摘要： 目录集群部署obd web 打开浏览器一片白TPC-H 一键测试新建租户时可分配的内存不足一键测试时被拒绝连接TPC-H 手动测试可以简化的步骤运行 dos2unix * 时报错create_tpch_mysql_table_part.ddl 文件相关加载数据时报了“ERROR 1017(HY000 阅读全文

摘要： 目录TPC-H 查询一键测试TPC-H 查询手动测试三节点 TPC-H 查询测试与对比三节点和单节点对比分析 TPC-H（商业智能计算测试）是美国交易处理效能委员会（TPC，Transaction Processing Performance Council）组织制定的用来模拟决策支持类应用的一个测 阅读全文

摘要： 目录集群部署并启动集群部署操作排错流程时钟同步测试集群数据库测试MySQL 报文和 RPC 流量监控抓包分析 集群部署并启动集群 部署操作 选择使用 OBD 部署 OB 数据库并启动集群，首先使用 “name -m” 命令查看 Linux 的处理器架构，例如我的虚拟机查出来是 “x86_64”。 接 阅读全文

摘要： 目录预备知识Q 函数排序矩阵局部特征掩码 L0 范数估计排列矩阵 P 的估计Lemma D.2.Definition D.1Theorem D.3. 在论文《ProtoGate: Prototype-based Neural Networks with Global-to-local Feature 阅读全文

摘要： ProtoGate 是一个针对高维低样本量（HDLSS）生物医学表格数据设计的创新型特征选择与分类框架，其核心在于通过一种解耦的、原型驱动的架构来同时实现高预测精度、高特征选择保真度以及内在的可解释性。首先使用全局到局部的特征选择器自适应地识别重要特征，它采用两阶段策略：先通过门控网络第一层的 L1 正则化进行“软全局选择”，快速筛选出所有样本共享的潜在重要特征集；再通过后续层的 L0 正则化进行“局部选择”，为每个样本生成个性化的稀疏特征掩码。接着使用非参数的原型预测器进行预测，该预测器将特征选择后的查询样本与训练阶段构建的“原型库”中的原型样本进行相似度比较，基于 K 个最近邻原型的多数投票得出预测结果。模型中仅特征选择器的参数是可训练的，训练损失函数由预测损失和特征选择正则化项加权构成，并通过可微排序技术使梯度能从原型预测损失顺畅地反向传播至特征选择器。 阅读全文

摘要： 受到遗忘决策树的启发，本文提出了一个用于处理表格数据深度神经网络架构 DOFEN。DOFEN 首先通过随机组合条件来构建一个庞大的、可微分的松弛 ODT 池，然后引入一个独特的两级集成策略：第一级通过随机采样 rODT 形成多个独立的森林以引入多样性并防止过拟合，第二级则将这些森林的预测结果进行聚合，最终输出预测。这种设计使 DOFEN 能够有效模拟树模型的优势，同时保持神经网络的端到端可训练性。通过在 Tabular Benchmark 上的实验，本文证明了 DOFEN 的表现不仅显著优于其他深度学习方法，而且与强大的梯度提升决策树模型具有竞争力。 阅读全文

摘要： 本文提出了一种面向细粒度图像识别的本质可解释深度学习模型——神经原型树（ProtoTree），将原型学习与决策树结构相结合。首先使用卷积神经网络（CNN）将输入图像映射为潜在特征表示；然后通过一个二叉决策树进行层次化推理，其中每个内部节点包含一个可学习的原型，通过计算图像特征与原型之间的相似度来决定路由方向（向左或向右）；最终，样本以一定概率到达各个叶子节点，节点的类别分布加权汇总产生预测结果。ProtoTree 的决策过程类似于人类玩游戏时的渐进式问答（如“这只鸟有红喉咙吗？有细长喙吗？那么它是蜂鸟！”），从而实现了全局可解释性（整个树结构可被理解）和局部可解释性（单样本预测路径可追溯）。ProtoTree 在性能上显著优于同类可解释模型，在 CUB-200-2011 和 Stanford Cars 数据集上达到更高准确率的同时，将所需原型数量减少约 90%，并通过剪枝、确定性推理等技术进一步优化了解释效率。 阅读全文

摘要： 本文提出了“神经树”这一统一概念框架，用以涵盖所有旨在融合神经网络与决策树优势的机器学习模型。接着建立了一个清晰且富有洞察力的三级分类法，将现有方法划分为非混合协作、半混合借鉴与混合模型三大范畴，梳理了神经网络与决策树从独立协作到深度协同演化的技术发展路径。在此分类基础上，论文以模型可解释性为关键视角，对各类神经树技术进行了深入分析，重点分析了神经决策树在性能与可解释性之间的根本性权衡。 阅读全文

摘要： 本文提出了一种用于表格数据深度学习的架构 TabNet，该模型的核心创新在于模仿决策树的特征选择能力，通过一种序列注意力机制（sequential attention）来实现实例级的软特征选择。在每一步决策中，TabNet 都会动态地、稀疏地选择最相关的特征子集进行推理，从而将模型的学习能力集中在最显著的特征上。这不仅提高了学习效率，减少了冗余参数，还自然地为模型提供了内在的可解释性。其编码器由多个决策步骤组成，每个步骤包含一个用于特征选择的注意力变换器（Attentive Transformer）和一个用于特征处理的特征变换器（Feature Transformer）。此外，TabNet 首次为表格数据引入了掩码自监督学习框架，通过预测被掩码的特征来进行预训练，从而能够有效利用大量未标注数据来提升模型在下游任务中的性能。通过广泛的实验验证，证明了TabNet 在多个不同领域的分类和回归数据集上达到或超越了当前主流表格学习模型的性能，同时提供了局部和全局两个层面的可解释性。 阅读全文