본 논문은 학습 기반 집합 크기 추정의 세 가지 난제(일반성, 정확성, 갱신 가능성)를 "집합 크기 추정의 삼각 딜레마"로 정의하고, 이를 해결하기 위해 다중 자기회귀 모델을 이용한 효율적인 분포 예측 기반의 조인 집합 크기 추정기인 DistJoin을 제안합니다. DistJoin은 개별 테이블의 확률 분포를 분리적으로 활용하여 조인 집합 크기를 추정하며, 고 처리량 분포 추정 모델인 ANPM(Adaptive Neural Predicate Modulation)을 통해 효율성을 확보합니다. 또한, 기존 유사 접근 방식의 분산 누적 문제를 공식적인 분산 분석을 통해 밝히고, 선택도 기반 접근 방식을 통해 분산을 효과적으로 줄입니다. DistJoin은 equi 조인과 non-equi 조인 모두를 지원하는 최초의 데이터 기반 방법이며, 높은 정확성과 빠르고 유연한 업데이트 기능을 제공합니다. 실험 결과, DistJoin은 기존 방법들에 비해 가장 높은 정확성, 데이터 업데이트에 대한 강건성, 일반성을 달성하며, 비교 가능한 업데이트 및 추론 속도를 보입니다.
