TwentyTwentyOne

[쿼리 최적화 시리즈 番外편 3] 실무 데이터베이스 쿼리 최적화 기법지금까지 다룬 건 알고리즘 대회나 문제풀이 중심의 쿼리 최적화였죠.그런데 실무에서는 DB 쿼리 자체를 어떻게 최적화하느냐가 훨씬 중요한 경우가 많습니다.오늘은 MySQL / PostgreSQL / MongoDB 등에서 공통적으로 적용 가능한실무형 쿼리 최적화 전략을 정리합니다.📌 1. 쿼리 실행 계획(Execution Plan) 분석MySQL: EXPLAIN SELECT ...;PostgreSQL: EXPLAIN ANALYZE SELECT ...;MongoDB: .explain("executionStats")실행 계획을 통해 풀스캔 여부, 인덱스 사용 여부, 조인 순서, 필터 조건 적용 시점 등을 반드시 확인합니다.📌 2. 인덱스 최..

🧭 Interpretable Forecasting with Temporal Fusion Transformer (TFT) in JAXForecasting models are often black boxes.The Temporal Fusion Transformer (TFT) changes that — it delivers state-of-the-art accuracy and interpretability.Developed by Google Cloud AI researchers, TFT combines:LSTM encoders/decoders (short-term patterns)Multi-Head Attention (long-term dependencies)Static covariate encoders (..

⚡ Long-Range Time Series Forecasting with Transformers in JAXRNNs and GRUs are great at modeling short-term dependencies,but they struggle when patterns stretch across hundreds of time steps.Transformers, with their self-attention mechanism, can capture these long-range dependencies efficiently.📌 Why Use Transformers for Time Series?Challenge How Transformers HelpLong-term patternsAttention let..

[쿼리 최적화 시리즈 마무리] 학습 로드맵 & 실전 적용 전략지금까지 우리는 Mo’s Algorithm, Sqrt Decomposition,Persistent Segment Tree, Wavelet Tree/Matrix 등다양한 쿼리 최적화 알고리즘을 살펴봤습니다.그런데… 이제 이걸 어떻게 순서대로 공부하고,실전 문제에 적용해야 할까요?오늘은 그 로드맵을 정리합니다.📌 1단계: 기초 기반 다지기쿼리 최적화 알고리즘은 결국 구간 쿼리 & 오프라인 처리의 확장판입니다.따라서 먼저 다음을 익혀야 합니다.Prefix Sum, Difference Array이분 탐색 (Binary Search)Segment Tree & Fenwick Tree(BIT) 기본형🎯 목표: O(logN) 구간 합, 최댓값/최솟값, 업..

[쿼리 최적화 番外편 2] Wavelet Matrix – 더 큰 값 범위를 다루는 현대식 무기Wavelet Tree가 강력하긴 한데, 값의 범위가 크면좌표 압축이 귀찮고, 구현이 조금 번거로웠죠.Wavelet Matrix는 이를 더 깔끔하고 범용적으로 만든 버전입니다.더 큰 값 범위, 더 적은 메모리 낭비, 더 단순한 구조가 특징이에요.📌 Wavelet Matrix란?Wavelet Tree의 구조적 아이디어를 유지하면서값의 범위가 매우 클 때도 동작좌표 압축 없이도 사용 가능구현 시 메모리 낭비를 줄인 버전🧠 핵심 아이디어비트 단위로 분할Wavelet Tree는 값 범위를 절반씩 나눴다면,Wavelet Matrix는 값을 비트로 표현하고,가장 상위 비트부터 차례로 왼쪽/오른쪽을 결정.각 레벨마다 0(..

🎯 Probabilistic Time Series Forecasting with DeepAR in JAXMost models we’ve built so far make point forecasts — a single number per future time step.But the real world is messy.Sometimes, we need to know how uncertain our predictions are.That’s where DeepAR comes in.📌 What is DeepAR?DeepAR is a probabilistic forecasting model developed by Amazon.Instead of predicting a single value, it predict..

🌐 Multivariate Time Series Forecasting with Graph Neural Networks in JAXSo far, we’ve looked at time series as independent sequences.But in reality, variables often influence each other:Sensors in a factory lineTraffic speed across city intersectionsStock prices in related sectorsThis is where Graph Neural Networks (GNNs) shine — they let us model relationships between variables explicitly.🔗 W..

[쿼리 최적화 番外편] Wavelet Tree – K번째 수, 빈도 쿼리의 비밀병기“Persistent Segment Tree로 K번째 수 문제를 풀 수 있다면,더 직관적이고 깔끔하게 할 수 있는 방법은 없을까?”정답 중 하나가 바로 Wavelet Tree입니다.오늘은 국내에서는 잘 알려지지 않은쿼리 최적화의 숨겨진 무기 Wavelet Tree를 소개합니다.📌 Wavelet Tree란?Wavelet Tree는배열을 이진 분할(Binary Partition) 형태로 쪼개어특정 구간의 K번째 수, 빈도, rank 등을O(log M) 시간에 처리할 수 있는 자료구조입니다.(M = 값의 범위)🧠 동작 원리값의 범위 [min, max]를 절반으로 나눈다절반 이하인 원소 → 왼쪽 자식, 나머지 → 오른쪽 자식각..

🕵️‍♂️ Time Series Anomaly Detection with Variational Autoencoders in JAXUp to now, we’ve focused on forecasting.But forecasting isn’t the only game in town — sometimes you want to know:“Is this time series behaving abnormally?”A Variational Autoencoder (VAE) is perfect for this:It learns a compressed latent representation of normal patternsIf the reconstruction error is high → something unusual..

쿼리 최적화 알고리즘 총정리 – 문제 유형별 선택 가이드“BIT, 세그먼트 트리, Mo’s, CDQ… 이렇게 많으면 뭐 써야 할지 헷갈리는데요?”이번 글은 그 고민을 정리해드립니다.지금까지 다룬 쿼리 최적화 기법들을 문제 유형별로 매칭해서,어떤 상황에서 어떤 알고리즘을 선택해야 하는지 한눈에 볼 수 있게 만들었어요.📌 쿼리 유형별 알고리즘 매칭표쿼리 유형 추천 알고리즘 시간복잡도 특징단순 구간 합 / 최댓값 / 최솟값세그먼트 트리, 펜윅 트리(BIT)O(log N)기본형, 업데이트/쿼리 빈번정적 배열 구간 쿼리Sparse TableO(1)업데이트 없음, 쿼리만 있음구간 [L,R] + 빈도/DistinctMo’s AlgorithmO((N+Q)√N)오프라인, 쿼리 재정렬좌표 기반 1D~2D 질의Sweep ..