본 논문은 학습 기반 집합 크기 추정(cardinality estimation)의 현실적 적용을 저해하는 '집합 크기 추정의 삼각 딜레마'(일반성, 정확성, 갱신 가능성의 균형 문제)를 정의하고, 이를 해결하기 위해 다중 자기회귀 모델을 이용한 효율적인 분포 예측 기반의 조인 집합 크기 추정기인 DistJoin을 제시합니다. DistJoin은 개별 테이블의 확률 분포를 분리하여 조인 집합 크기를 추정하고, 고 처리량 분포 추정 모델인 ANPM(Adaptive Neural Predicate Modulation)을 개발하여 효율성을 확보합니다. 기존 유사 접근법의 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 정확성, 강건한 데이터 갱신, 일반성, 그리고 빠르고 유연한 갱신 및 추론 속도를 보입니다. 실험 결과, DistJoin은 기존 방법들에 비해 가장 높은 정확성, 강건성, 일반성을 달성하고, 비교 가능한 속도를 보였습니다.
