2025-02-13 Meeting #1 - Mihails BD

 

2025-02-13 Meeting #1 - Mihails BDTODOExamples of SLRInitial pointers no kurienes sāktOriginal paper proposition

TODO

  1. Sagatavo SLR tabulu

    1. Galvenie mērķi atrast datasets, metrics (kā mērīt?) un methods to compare

  2. Sagatavo priekšaizstāvēšanās prezentāciju

 

Examples of SLR

Examples of SLR tables:

  1. https://puupuls.notion.site/SLR-Tabula-1-04cafc5ed342497b92629b87c2c1e548

    1. Missing:

      1. Cite by year

      2. Future research

  2. https://www.evernote.com/shard/s736/sh/2c598470-3b41-6a1c-d629-3fa44ec1e0c3/c340ef470d5f0d9391b709d03751445f

 

Examples of Finished SLR:

  1. http://share.yellowrobot.xyz/quick/2023-2-28-62301A6A-9494-43EE-B86B-007AF6F685EB.pdf

  2. https://sci-hub.hkvisa.net/10.1016/j.infsof.2008.09.009

  3. https://www.sciencedirect.com/science/article/pii/S0950584908001390

  4. http://share.yellowrobot.xyz/quick/2023-2-28-0CCAE1B2-6579-4F45-97E3-A12AEDA732B0.pdf

 

References shpuld be taken from (Do not use arxiv as reference)

  1. https://aclanthology.org

  2. https://www.semanticscholar.org

 

Create and share with me SLR (Systematic Literature Review) table using Notion, Google Sheets etc:

  1. Find datastets that have not yet reached 99-95% accuracy

  2. Find SOTA (State of the Art) metrics and scalar values for each dataset

  3. Find active research topics - data pre-processing, result post-processing, loss functions, data augementations, model architectures

  4. Table columns

    1. No. At least 30 scientific publictions

    2. Year

    3. Title

    4. Keywords

    5. Link to publication

    6. Link to Github if available

    7. Otganization (university, company)

    8. Citation count (Semantic schollar)

    9. Data set (which have been used) - If there is no published information or data set information: NONE

    10. Metrics and Results (used to determine the method performance on each dataset), if there are no exact results, then: NONE

    11. Model (what is the model architecture), can also be a NON-DL model

    12. Method (what is the main method being used)

    13. Further Research (what is recommended for further study)

 

Best tool for reading PDFs (or find others using langchain):

  1. https://chatpdf.com

  2. perplexity.ai PDF upload function

Tool to access any publication:

  1. http://sci-hub.hkvisa.net

Use these databases for searching papers:

  1. http://semanticscholar.org

  2. http://researchrabbitapp.com

  3. https://deeplearn.org

  4. https://scirate.com

  5. https://arxiv-sanity-lite.com

  6. http://perplexity.ai (academic section)

  7. https://typeset.io

 

Obligāti datu kopām pārmeklēt līdzīgas ar:

  1. http://zenodo.org

  2. http://paperswithcode.com

 

Initial pointers no kurienes sākt

https://www.semanticscholar.org/paper/PostgreSQL-Query-Optimization%3A-The-Ultimate-Guide-Dombrovskaya-Novikov/10e01c314d9b5400a2ea874412281da74b01f66a

 

https://link.springer.com/content/pdf/bfm:978-1-4842-6885-8/1

image-20250213183830033

 

https://www.semanticscholar.org/paper/PostgreSQL/934ad5a7420b99a92925bcf01eb90c30f5bc19ad

 

https://www.semanticscholar.org/paper/Why-Are-Learned-Indexes-So-Effective-but-Sometimes-Liu-Han/225c57b1c0eb44837f61f7bbfc5a61699ea4f1d5

Dataset: Results: Metrics: Query Processing time, ns

image-20250213183113009

 

image-20250213183233552

 

 

https://www.semanticscholar.org/paper/Why-Are-Learned-Indexes-So-Effective-Ferragina-Lillo/5e37b5c89d7cf87e0e842f00a727ac496b48958c

 

 

image-20250213182143374

 

 

 

Original paper proposition

LV: PostgreSQL vaicājumu un konfigurācijas optimizācija un salīdzinājums. EN: Comparison of PostgreSQL query and configuration optimization.

Bakalaura darba mērķis:

Darba mērķis ir izanalizēt un novērtēt PostgreSQL datubāzu vaicājumu optimizācijas un paātrināšanas metodes, lai izprastu to ietekmi uz vaicājumu veiktspēju dažādos scenārijos un datu apjomos. Pētījuma gaitā tiks identificētas efektīvākās metodes, izmantojot experimentālu salīdzināšanu.

Darba uzdevumi:

  1. Veikt sistēmātisko zinātnisko literatūras analīzi par PostgreSQL datubāzu optimizācijas metodēm.

  2. Aprakstīt PostgreSQL arhitektūru un vaicājumu izpildes principus.

  3. Identificēt PostgreSQL optimizācijas metodes, piemēram, indeksēšanu, partīcijas, datu tipu izvēli un paralēlus vaicājumus.

  4. Identificēt datu kopas, kuras tiks izmantotas veiktspējas testos. Izstrādāt testēšanas scenārijus un izveidot datu kopas veiktspējas mērījumiem.

  5. Veikt un dokumentēt eksperimentālus testus, lai salīdzinātu dažādas optimizācijas metodes.

  6. Analizēt un novērtēt eksperimentālos rezultātus.