본 논문은 기존 학습 기반 집합 크기 추정 방법들이 일반성, 정확성, 갱신 가능성 사이의 균형을 맞추는 데 어려움을 겪는 "집합 크기 추정의 삼각 딜레마"를 제시하고, 이를 해결하기 위해 다중 자기회귀 모델을 이용한 효율적인 분포 예측에 기반한 조인 집합 크기 추정기인 DistJoin을 제안합니다. DistJoin은 분리된 방식으로 개별 테이블의 조건부 확률 분포를 활용하여 등가 조인과 비등가 조인 모두의 집합 크기를 추정하며, 효율적인 학습 및 추론을 위해 적응형 신경술 예측 변조(ANPM) 모델을 개발합니다. 또한 기존 방법들의 분산 문제를 분석하고, 선택도 기반 접근 방식을 통해 분산을 효과적으로 줄입니다. JOB-light 및 JOB-light-ranges 데이터셋을 사용한 실험 결과, DistJoin은 기존 방법들보다 높은 정확성, 갱신에 대한 강건성, 일반성을 달성하며, 비슷한 업데이트 및 추론 속도를 보였습니다.
