FLAT：Fast, Lightweight and Accurate Method for Cardinality Estimation-FLAT，一个轻量且高效的基数估计模型

目前的因子分解可以分为独立因子分解和条件因子分解

对于独立因子分解，目前使用的方式使用直方图和SPN网络模型等，但是这些属于有损分解，对于条件因子分解而言，目前使用的是深度自回归网络，贝叶斯网络，这些虽然可以实现无损分解，但是时间成本太高，本文提出两种因子分解，对于弱相关属性，使用独立因子分解，对于强相关属性使用条件因子分解，在这种情况下在准确性和时延之间找到一个最佳平衡。这里对应的是VLDB 2021中的一篇综述。大部分的模型都不能在处理更新的时候找到一个权衡点，所以这里就是目的。

该论文的创新是使用Factorize节点对强弱相关的属性集 分别进行建模，同时使用split节点对强弱相关属性集内部进行建模。

论文的模型整体上分成三个部分，离线训练 在线分析 和增量更新

其中第一部分：离线训练的目的是为了接受输入的表和数据，得到一个模型，然后得到模型。

第二部分是在线分析是接受一个外部的查询Q，当前这部分的查询是作用在T表中，之后调用模型f，求得概率之后再乘以原表的基数作为近似的基数估计。

模型举例

构建FSPN树

分别涉及到以下的名词：
属性集：A=（A1，A2，A3，A4）
每一个属性都视作是r.v
假设现在令A3 和 A4是两个强相关的属性，A1 和 A2是两个弱相关的属性集，
强相关属性集 H=（A3，A4）
弱相关属性集 W =（A1，A2）
这时候 一个技术估计问题就转换成为一个求多元概率的密度模型

1. 首先将当前的表作为根节点，之后将强相关和弱相关的属性集分别作为他的根节点，（之后的思路就是分别对其进行分割，迭代）
   

2. 进一步划分N2节点，A1和A2属性互为弱相关，但并非完全独立，对于SPN和衍生的模型而言（Benjamin Hilprecht, Andreas Schmidt, Moritz Kulessa, Alejandro Molina, Kristian Kersting, and Carsten Binnig. 2019. DeepDB: learn from data, not from queries!. In PVLDB.）可以通过合适的聚集和分片使的属性之间局部独立，这个过程被称为“上下文独立”。

举一个例子：以A2<50作为分片的条件,将上一步N2节点的子表再次划分成为T1和T2，在每个T的内部，A1和A2被认为是局部独立，之后对T继续做垂直分片，这时候可以划分L1，L2，L3，L4四个区域，
分成以上四个区域，分别是L1，L2，L3，L4
最后每一个区域L，都只会包含一个属性列，最后被称为uni-leaf节点

上面是当前节点的概率密度的计算公式
其中每一个权值w代表行数和原表T的比值，从公式中可以知道当前的节点是sum节点。
对于N3节点，需要计算P(A3, A4|A1,A2)，也就是P（H|W），本文提出根据W和H进行划分，假定划分出子集H1，H2…在同一个H内部，无需考虑W的影响，此时可以认为P（H|W）=P（H），本文成这种方式为上下条件一处contextual condition removal，此时将N3记作split节点。

在当前的例子中，A3和A4通过谓词A1<0.9划分出了两个子表，L5和L6，并由此产生了两个新的包含多个属性列的叶子节点，称之为multi-leaf节点。


以上是FSPN模型的完整构造过程