전통적인 자료구조를 학습된 모델로 대체하려는 도전적인 시도로서, 본 논문은 키-값 저장을 위한 학습 기반 함수형 블룸 필터(learned functional Bloom filter, L-FBF)를 제안한다. 제안된 L-FBF의 학습 모델은 주어진 데이터의 특성과 분포를 학습하고, 각 입력을 분류한다. 이론적 분석을 통해, L-FBF는 동일한 메모리 크기에서 단일 FBF보다 더 낮은 탐색 실패율을 제공함과 동시에 동일한 의미적 보장을 제공함을 보인다. 모델 학습을 위해 문자 수준의 신경망을 사용하되, 사전 학습된 임베딩(pretrained embeddings)을 활용한다. 실험에서는 서로 다른 문자 수준 신경망의 네 가지 유형을 학습한다: 단일 게이트 순환 유닛(single gated recurrent unit, GRU), GRU 2개, 단일 장단기 기억(single long short-term memory, LSTM), 그리고 단일 1차원 합성곱 신경망(single one-dimensional convolutional neural network, 1D CNN)이다. 실험 결과는 이론적 결과의 타당성을 입증하며, 동일한 메모리 사용량에서 단일 FBF와 비교할 때 L-FBF가 탐색 실패를 82.8%에서 83.9%까지 감소시킴을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.