- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云数据库(TencentDB)
PostgreSQL 支持 StarRocks 联邦查询，解锁冷热数据分离新范式
该插件支持将 StarRocks 中的海量数据表映射为 PostgreSQL 外部表，助力企业轻松构建冷热数据分层架构，实现存储成本与查询效率的最优平衡。 核心价值：无缝打通事务型与分析型数据库 通过 starrocks_fdw 插件，用户可直接在 PostgreSQL 中： ● 联邦查询：实时访问 StarRocks 中的万亿级分析数据，无需数据迁移 ● 技术亮点：三步实现异构数据融合 插件部署：分钟级接入 外部表映射：声明式数据集成 透明化查询：SQL无感知融合 典型应用场景
23510编辑于 2025-10-31 - 来自专栏深度学习与python
谷歌推出 Bigtable 联邦查询，实现零 ETL 数据分析
作者 | Steef-Jan Wiggers 译者 | 明知山 策划 | 丁晓昀 最近，谷歌宣布 Bigtable 联邦查询普遍可用，用户通过 BigQuery 可以更快地查询 Bigtable 此外，查询无需移动或复制所有谷歌云区域中的数据，增加了联邦查询并发性限制，从而缩小了运营数据和分析数据之间长期存在的差距。 现在，他们可以直接使用 BigQuery SQL 查询数据。联邦查询 BigQuery 可以访问存储在 Bigtable 中的数据。 大数据爱好者 Christian Laurer 在一篇文章中解释了 Bigtable 联邦查询的好处。 最后，关于 Bigtable 联邦查询的更多详细信息，请参阅官方的文档页。此外，所有受支持的 Cloud Bigtable 区域都可以使用新的联邦查询。
5.7K30编辑于 2023-03-29 - 来自专栏马超的博客
图数据库与传统数仓实现联邦查询
•四、通过apoc.case实现布尔值的判断•五、将查询封装为函数•六、将函数运用在数据过滤查询中•七、总结 使用CYPHER实现从关系数据库过滤时间序列指标 本文中涉及的图数据模型主要是研报相关的数据 为了方便在后续的CYPHER中调用四中复杂的查询，将四中的查询封装为一个CYPHER函数。 通过一系列的查询下推拆分在一到五节中，实现了复杂查询的封装，在应用这个时序指标过滤函数时就可以方便地调用。 但是这种架构方式，启用了更多的网络查询消耗，和本地存储方式相比会多消耗一些时间资源。在实际跑模型中，可以根据实际场景优化查询。 将查询较多的属性数据存放在图库中，可以减少网络消耗；时序数据可以用JSON串保存在属性中，使用存储过程过滤。 References [1] TOC: 图数据库与传统数仓实现联邦查询
89620编辑于 2022-09-02 - 来自专栏全栈程序员必看
SQL 数据查询（4）—— 嵌套查询
文章目录 带有IN谓词的子查询 带有比较运算符的子查询 带有ANY（SOME）或ALL谓词的子查询 带有EXISTS谓词的子查询 型如下面这样的就是嵌套查询： SELECT Sname FROM Student IN谓词的子查询 IN谓词用于子查询结果是一个集合的情况 例3.55：查询与“刘晨”在同一个系学习的学生 先分步用单表查询做 第一步： SELECT Sdept FROM Student WHERE ）查询步骤是： 从外层查询中选出一个SC的元组的x，将元组x的Sno的值在传到内层查询 执行内层循环，将得到的值代替内层查询 执行外层查询 带有ANY（SOME）或ALL谓词的子查询 >ANY 大于子查询结果中的某个值 >ALL 大于子查询结果中的所有值 <ANY 小于子查询结果中的某个值 <ALL 小于子查询结果中的所有值 >=ANY 大于等于子查询结果中的某个值 >=ALL 大于等于子查询结果中的所有值 <=ANY 小于等于子查询结果中的某个值 <=ALL 小于等于子查询结果中的所有值 =ANY 等于子查询结果中的某个值 =ALL 等于子查询结果中的所有值（通常没有实际意义） !
1.8K20编辑于 2022-09-22 - 来自专栏亨利笔记
联邦学习与云原生联邦学习平台
在近日GDG举办的“AI 隐私保护：探索跨域数据的安全流动”活动中，VMware中国研发云原生实验室资深研究员、联邦学习开源项目 FATE/KubeFATE代码维护者彭麟，分享了云原生联邦学习平台的题目 回放链接请戳 《联邦学习与云原生联邦学习平台》彭麟 人工智能的三大要素分别是算法、算力和数据，但数据的现状并不理想，存在数据孤岛、数据分布不均的问题。 为了解决数据方面的问题，有三种常见的解决方案：生成式对抗网络、迁移学习和联邦学习，此处重点讲解联邦学习。 联邦学习和传统的机器学习相比，传统的机器学习是模型不动、数据动；而联邦学习是数据不动、模型动。 联邦学习又可细分横向联邦学习与纵向联邦学习，分别用于应对两种不同的数据孤岛情况。 数据孤岛情况 1: 样例分散在不同的组织，单个组织样例不足以支持优质训练，适用使用横向联邦学习。 KubeFATE 是一个云原生联邦学习平台，具有可插拔、可扩展的特点。FATE-Operator 是 Kubeflow 官方子项目，是 Kubeflow 联邦学习方案。
1.1K60编辑于 2023-04-04 - 来自专栏KI的算法杂记
WorldS4 2020 | 联邦学习的个性化技术综述
Learning 期刊：2020 Fourth World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4) 但由于各个客户端间数据的非独立同分布，全局模型在某些客户端上表现可能并不好，并且如果客户端自己拥有足够的数据，他们是否还有必要参与联邦学习呢？ 在这种背景下，个性化联邦学习应运而生。 客户端如果没有足够的私人数据来开发准确的本地模型，就可以从联邦学习的模型中获益。然而，对于有足够私人数据来训练准确的本地模型的客户来说，参与联邦学习是否有好处是有争议的。 Smith等人的研究表明，多任务学习是建立个性化联邦模型的自然选择，他们在联邦设置中开发了用于多任务学习的MOCHA算法，以解决与通信、掉队和容错相关的挑战。 总结 在联邦学习中，当本地数据集很小且数据分布为IID时，全局模型通常优于本地模型，并且大多数客户端都能从参与联邦学习过程中受益。
1.2K20编辑于 2022-11-08 - 来自专栏机器之心
联邦学习 OR 迁移学习？No，我们需要联邦迁移学习
机器之心分析师网络 作者：仵冀颖 编辑：H4O 在这篇文章中，作者通过 4 篇论文详细介绍了联邦学习中的联邦迁移学习问题，并探讨了向经典联邦学习中引入迁移学习的目的和意义。 本文关注联邦迁移学习方法，在介绍联邦学习和迁移学习相关知识的基础上，重点探讨向经典联邦学习中引入迁移学习的目的和意义。此外，本文还将梳理目前主流的联邦迁移学习方法，并重点介绍其中的 4 篇文章。 完整的同态加密 FTL 算法流程如图 4： ? 图 4. 基于同态加密的 FTL。 表 4. UFDA 协议下 Amazon Review 数据集的准确率（%） ? 2.3.4 本文小结 本文首先提出了一个新的无监督联邦域自适应（UFDA）问题，并推导了 UFDA 的理论泛化界。 作者还研究了 TTS 对说话人声音的适应性（假设 4 个演示文稿中的每一个都对应一个说话人），但是实验结果中并没有展示出额外的性能优势。 表 6. 具有联邦会话自适应的分层无监督训练 ?
1.5K30发布于 2020-11-20 Doris Catalog 联邦分析查询性能优化：从排查到优化的完整指南
在大数据分析中，Doris 的 Catalog 联邦分析功能为整合多源数据提供了有力支持。然而，在实际应用中，可能会遇到各种问题影响其正常运行。本文将详细剖析这些问题并提供解决方案。 一、联邦分析查询慢：内外表通用排查逻辑 当遇到 Doris Catalog 联邦分析查询慢的问题时，无论操作的是内表还是外表，都可以遵循以下通用逻辑进行排查： 1. 分区策略：基于时间、地域等高频查询维度创建分区，确保分区字段类型与查询条件匹配。 六、总结 Doris Catalog 联邦分析的查询性能优化是一个系统性工程，需结合执行计划分析、外表特性、基础设施等多维度排查。 通过本文提供的通用逻辑和针对性方案，可快速定位瓶颈并实施优化，充分发挥 Doris 在多源数据联邦分析中的性能优势。
75700编辑于 2025-07-14- 来自专栏采云轩
模块联邦浅析
二.联邦模块插件的结构及其常见的调用方式（Module Federation Plugin） 上面我们大概了解了下模块联邦插件的大致使用方法。 webpack 打包原理 webpack4 对于异步模块加载步骤 import(chunkId) => webpack_require.e(chunkId) 将相关的请求回调存入 installedChunks 联邦模块是基于 webpack 做的优化，所以在深入联邦模块之前我们首先得知道 webpack 是怎么做的打包工作。 总结 通过这篇文章，我们收获了 模块联邦的基础概念。 模块联邦常用的配置项。 通过简易配置实现雏形项目开发。 模块联邦的基本原理。 https://juejin.cn/post/6961678963680739359) [万字总结] 一文吃透 Webpack 核心原理 (https://xie.infoq.cn/article/ddca4caa394241447fa0aa3c0
2.2K20编辑于 2022-08-30 - 来自专栏IT云清
13.Elasticsearch查询语句4
本文从简单到复杂，将前面的查询关键字都用起来，并给出在mysql中的语句样式，方便对比理解。 1.简单条件查询 mysql: SELECT * FROM policy_file WHERE LEVEL = '国家级' AND web_source = '浙江省人民政府' ] } }, "from": 0, "size": 10, "_source": ["title","create_time","update_time"] }' 4. { "launch_date": { "order": "desc" } } ], "from": 0, "size": 10 }' 5.查询
45130发布于 2019-01-22 - 来自专栏多线程
MyBatis查询数据库（4）
= null”> 中的 createTime 是传入对象的属性，不是数据库字段 三、标签 传入的用户对象，根据属性做 where 条件查询，用户对象中属性不为 null 的，都为查询条件。 如user.username 为 "a"，则查询条件为 where username="a"： UserMapper： List<User> selectByCondition(User user > </choose> </where> </select> 动态SQL是MyBatis的一个重要特性，它允许你在SQL语句中根据条件动态地添加、修改或删除语句片段，以便更灵活地构建SQL查询和更新操作
44820编辑于 2023-10-16 - 来自专栏Hadoop实操
0505-使用Apache Hive3实现跨数据库的联邦查询
这样做的好处是巨大的： 1.单个SQL方言和API 2.集中安全控制和审计跟踪 3.统一治理 4.能够合并来自多个数据源的数据 5.数据独立性 设置和使用Apache Hive作为联邦层可简化应用程序开发和数据访问 这不仅限于SQL系统：例如，Apache Hive也可以联邦Apache Druid或Apache Kafka进行查询，正如我们在最近的博文中所描述的，Druid可以非常高效的处理时序数据的汇总和过滤。 handler和Calcite适配器的组合非常灵活，功能也非常强大，尤其是将Hive作为不同SQL系统的联邦层时。 4 接下来的工作：自动元数据映射 要查询其他系统中的数据，用户只需使用相应的storage handler来创建一张Hive外部表，当然还包含该外部系统的一些其他信息。 4.Query across multiple systems: 对于某些ad-hoc查询或小的报表，定义ETL处理过程并将数据都移动到同一个存储位置是不现实的。
1.9K21发布于 2019-11-28 - 来自专栏AI工程
联邦学习简介
Centralized Training Data》可以看出来谷歌对于联邦学习的基本定义是，无需通过中心化的数据，即可训练一个机器学习模型。 谷歌提出的联邦学习思想中，可以参考另一个介绍文章[2]，给出的例子是toC的训练，例子中数据保存在个人移动设备中（手机），不需要数据上传，大体的思路是： ? （图片引用自维基百科） 引申发展 在谷歌提出联邦学习问题之后，结合其他如隐私数据等研究，一部分人，如微众银行与后续他们组织的fedai等组织，以及相关提出的白皮书[3][4]，给出了提出了一些新的应用场景 谷歌提出的toC应用中，每个训练终端相当于有且只有一个用户（因为是手机嘛），但是用户特征高度重叠（例如都是搜索引擎点击记录），这种情况下被[4]称为横向联邦学习。 这种情况下被文献[4]称为纵向联邦学习。
1.6K40发布于 2020-08-10 - 来自专栏计算机工具
联邦学习-Tensorflow实现联邦模型AlexNet on CIFAR-10
分享一种实现联邦学习的方法，它具有以下优点： 不需要读写文件来保存、切换Client模型 不需要在每次epoch重新初始化Client变量 内存占用尽可能小（参数量仅翻一倍，即Client端+Server 懒得看讲解的可以直接拉到最后的完整代码章节，共有四个代码文件，运行python Server.py即可以立马体验原汁原味的（单机模拟）联邦学习。 咱没那么多显存TAT 概括一下：联邦学习的Clients，只是普通TF训练模型代码上，加上模型变量的值提取、赋值功能。 虽然它逻辑很简单，但我希望观众老爷们能注意到其中的两个联邦点：Server端代码没有接触到数据；每次参与训练的Clients数量相对于整体来说是很少的。 也反面证明了，Non-I.I.D.确实是联邦学习的一个难题。
45510编辑于 2024-12-14 - 来自专栏侯哥的Python分享
Mysql基础4-数据查询
一、DQL介绍 DQL全称：Data Query Language(数据查询语言),用来查询数据库中表的记录。 ，多表查询会在后面的文章中介绍 三、基本查询 1、原始表数据 2、查询多个字段 语法：select 字段1，字段2，... from 表名 或者 select * from 表名（查询所有数据 ） 查询指定字段 3、设置别名 语法：select 字段1 [as 别名1], 字段2 [as 别名2] ... from 表名； 对查询结果设置别名 4、去重查询 语法： 非 1、查询年龄等于18的所有人的姓名 2、查询年龄小于21的人的姓名 3、查询年龄大于18,小于20的 4、查询地址不为空的人的姓名和地址信息 5、查询年龄小于20并且地址在西安的人的姓名和地址 ：统计数量 max: 最大值 min:最小值 avg:平均值 sum:求和 3、语法 select 聚合函数(字段列表) from 表名； 4、示例
43310编辑于 2023-07-24 - 来自专栏从零开始学自动化测试
FastAPI学习-4.query 查询参数
声明不属于路径参数的其他函数参数时，它们将被自动解释为”查询字符串”参数 查询字符串是键值对的集合，这些键值对位于 URL 的 ？ 之后，并以 & 符号分隔。 skip=0&limit=10 查询参数为： skip： 对应的值为 0 limit： 对应的值为 10 query 查询参数 由于查询参数是 URL 的一部分，因此它们的”原始值”是字符串 但是，当你为它们声明了 必需查询参数 当你为非路径参数声明了默认值时（目前而言，我们所知道的仅有查询参数），则该参数不是必需的。 如果你不想添加一个特定的值，而只是想使该参数成为可选的，则将默认值设置为 None。 needy 是类型为 str 的必需查询参数。 多个路径和查询参数 你可以同时声明多个路径参数和查询参数，FastAPI 能够识别它们。 而且你不需要以任何特定的顺序来声明。
82110编辑于 2023-08-22 - 来自专栏迁移内容
高性能MySQL(4)——查询性能优化
例如使用单独的汇总表 重写这个复杂的查询，让MySQL优化器能够以更优化的方式执行这个查询 三、重构查询方式 3.1 一个复杂查询还是多个简单查询 MySQL内部每秒能够扫描内存中上百万行数据 4.2 查询缓存 在解析一个查询语句之前，如果查询缓存是打开的，那么MYSQL会优先检查这个查询是否命中查询缓存中的数据。 这个检查是通过一个对大小写敏感的哈希查找的。 4.4 查询执行引擎 在解析和优化阶段，MySQL将生成查询对应的执行计划，MySQL的查询执行引擎则根据这个执行计划来完成整个查询。 如果需要对关联查询分组(GROUP BY)，并且是按照查找表中的某个列进行分组，那么通常采用查找表的标识列分组的效率比其他列更高。** 4). 要优化这种查询，要么是在页面中限制分页的数量，要么是优化大偏移量的性能。 3). 尽肯能的使用索引覆盖 4). 延迟关联 5).
1.8K10编辑于 2022-12-01 - 来自专栏学习笔记持续记录中...
JDBC 通过ResultSet执行查询操作（4）
对数据库的查询操作，一般需要返回查询结果，在程序中，JDBC为我们提供了ResultSet接口来专门处理查询结果集 使用ResultSet的步骤： 1、加载数据库驱动程序：Class.forName(驱动程序类 准备SQL String sql = "select id,name,email,birth from customers where id = 4"; // 4. 执行查询，得到ResultSet rs = statement.executeQuery(sql); // 5. rs.getString("name"); String email = rs.getString(3); Date birth = rs.getData(4)
1.3K10发布于 2020-03-17 - 来自专栏FindMyFUN
Neo4j常用查询语句
Cypher使用match子句查询数据，是Cypher最基本的查询子句。在查询数据时，使用Match子句指定搜索的模式，这是从Neo4j数据库查询数据的最主要的方法。 一、节点查询 对节点进行查询，是查询graph的基本操作，节点具有标签和属性，Match查询不仅能够按照标签对节点进行查询，还能按照属性对节点进行查询。 查询相关的任意节点 指定一个节点，节点的name属性是'Oliver Stone'，查询跟该节点相关的其他节点。 MATCH (movie:Movie) RETURN movie.title 4. MATCH (wallstreet:Movie { title: 'Wall Street' })<-[:ACTED_IN]-(actor) RETURN actor.name 4. 源 本文链接：https://www.findmyfun.cn/neo4j-common-query-statements.html 转载时须注明出处及本声明。
3.7K20编辑于 2022-11-20 - 来自专栏AI科技大本营的专栏
联邦学习，为何而生？
4. 定价难，数据作为一种无形资产，其价值也随着应用场景不断变化，因此数据产权难以确定、交易标的难以确定。 而联邦学习提供了一种解决数据安全和“数据孤岛”问题的可行性方向。 能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好； 3. 参与者地位对等，能够实现公平合作； 4. 不仅深入浅出地讲解了具体的联邦学习算法，联邦交集计算以及联邦特征工程等理论知识，同样针对实践过程中可能遇到的通信、资源不足等问题给出了优化方案。 本书介绍了联邦学习技术的原理和实战经验，主要内容包括隐私保护、机器学习等基础知识，联邦求交、联邦特征工程算法，三种常见的联邦形式，以及工程架构、产业案例、数据资产定价等。 #欢迎来评论区讨论# AI科技大本营 将选出三名优质留言 携手【博文视点】送出 《联邦学习技术与实战》一本 截至4月26日14:00点 60+专家，13个技术领域，CSDN 《IT 人才成长路线图》
45010编辑于 2023-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号