A Survey of Learned Indexes for the Multi-dimensional Space

最近的研究趋势是将数据库索引结构视为机器学习（ML）模型。在这个领域，单个或多个ML模型被训练学习从键到数据集内位置的映射。这类索引被称为“学习索引”。学习索引已经证明在一维数据的搜索性能和减少空间需求方面有所提高。一维学习索引的概念自然地扩展到多维（例如空间）数据，导致“学习多维索引”的开发。本文调查的重点是学习多维索引结构。具体而言，它回顾了这个研究领域的现状，解释了每种提出的方法背后的核心概念，并根据几个明确定义的标准对这些方法进行分类。我们提出了一个分类和归类每个学习多维索引的分类法，并根据这个分类法对已有的学习多维索引文献进行调查。此外，我们还提供了一个时间表，以说明学习索引研究的演变。最后，我们强调了这个新兴和高度活跃领域中的几个挑战和未来研究方向。

学习多维索引结构的综述和分类

将机器学习模型应用于多维数据索引结构中，提出了学习多维索引的概念，并对现有方法进行了分类和总结。

论文介绍了学习多维索引的发展历程和现有方法，并提出了分类和总结的方法。实验使用了不同的数据集和评估指标，展示了学习多维索引的性能优势。论文还指出了该领域的未来挑战和研究方向。

最近的相关研究包括《The Case for Learned Index Structures》和《Learning Multi-Dimensional Indexes》等。