Fugu-MT 論文翻訳(概要): Falconn++: A Locality-sensitive Filtering Approach for Approximate Nearest Neighbor Search

論文の概要: Falconn++: A Locality-sensitive Filtering Approach for Approximate Nearest Neighbor Search

arxiv url: http://arxiv.org/abs/2206.01382v1
Date: Fri, 3 Jun 2022 04:02:02 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 01:41:35.624604
Title: Falconn++: A Locality-sensitive Filtering Approach for Approximate Nearest Neighbor Search
Title（参考訳）: Falconn++: 近似近傍探索のための局所性に敏感なフィルタリング手法
Authors: Ninh Pham and Tao Liu
Abstract要約: 角距離近傍探索のための新しい局所性感性フィルタリング(LSF)手法であるFalconn++を提案する。 Falconn++はクエリの前に任意のハッシュバケット内の潜在的遠方点をフィルタリングすることができるため、他のハッシュベースのソリューションと比較して高品質な候補が生まれる。
参考スコア（独自算出の注目度）: 14.730059502443513
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Falconn++, a novel locality-sensitive filtering (LSF) approach for approximate nearest neighbor search on angular distance. Falconn++ can filter out potential far away points in any hash bucket before querying, which results in higher quality candidates compared to other hashing-based solutions. Theoretically, Falconn++ asymptotically achieves lower query time complexity than Falconn, an optimal locality-sensitive hashing scheme on angular distance. Empirically, Falconn++ achieves a higher recall-speed tradeoff than Falconn on many real-world data sets. Falconn++ is also competitive against HNSW, an efficient representative of graph-based solutions on high search recall regimes.
Abstract（参考訳）: 角距離近傍探索のための新しい局所性感性フィルタリング(LSF)手法であるFalconn++を提案する。 Falconn++はクエリの前に任意のハッシュバケット内の潜在的遠方点をフィルタリングすることができるため、他のハッシュベースのソリューションと比較して高品質な候補が生まれる。理論的には、falconn++は角距離の最適局所性に敏感なハッシュスキームであるfalconnよりもクエリ時間の複雑さを漸近的に向上させる。経験上、falconn++は多くの現実世界のデータセットでfalconnよりも高いリコール速度のトレードオフを達成している。 Falconn++はまた、高検索リコール方式におけるグラフベースのソリューションの効率的な代表であるHNSWと競合している。

関連論文リスト

Efficient Data-aware Distance Comparison Operations for High-Dimensional Approximate Nearest Neighbor Search [14.77572360618428]
高次元近似$K$近辺探索(AKNN)は、様々なアプリケーションの基本課題である。我々はemphDADEと呼ばれるアンダーラインデータアンダーラインAwareアンダーラインEstimationアプローチを提案する。
論文参考訳（メタデータ） (2024-11-26T08:51:46Z)
Early Exit Strategies for Approximate k-NN Search in Dense Retrieval [10.48678957367324]
アーリーエグジットのための最先端のA-kNNを構築し,忍耐の概念に基づく教師なし手法を提案する。我々は,A-kNNの効率を最大5倍の高速化で向上すると同時に,無視可能な効率損失を達成できることを示す。
論文参考訳（メタデータ） (2024-08-09T10:17:07Z)
Worst-case Performance of Popular Approximate Nearest Neighbor Search Implementations: Guarantees and Limitations [20.944914202453962]
グラフに基づく近似近傍探索アルゴリズムの最悪の性能について検討する。 DiskANNの場合、その"スロープリプロセッシング"バージョンは、ほぼ近隣の検索クエリを確実にサポートしている。本稿では,「理にかなった」精度を達成するのに要する経験的なクエリ時間が,インスタンスサイズにおいて線形であるインスタンス群を提案する。
論文参考訳（メタデータ） (2023-10-29T19:25:48Z)
Efficient k-NN Search with Cross-Encoders using Adaptive Multi-Round CUR Decomposition [77.4863142882136]
クロスエンコーダモデルは、直接k-nearest neighbor(k-NN)サーチには不当に高価である。本稿では,現実的に重要なトップk近傍の近似誤差を適応的に,反復的に,効率的に最小化するADACURを提案する。
論文参考訳（メタデータ） (2023-05-04T17:01:17Z)
FINGER: Fast Inference for Graph-based Approximate Nearest Neighbor Search [20.928821121591493]
効率的なグラフ探索を実現するための高速推論手法であるFINGERを提案する。 FINGERは、近傍の残差ベクトルと低ランク基底と分布マッチングとの角度を推定することで距離関数を近似する。実証的に、FINGERによるHNSWと呼ばれるグラフベースの手法の高速化は、異なるベンチマークデータセット間で既存のグラフベースの手法を20%から60%上回っている。
論文参考訳（メタデータ） (2022-06-22T22:30:46Z)
A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-03-28T21:34:16Z)
Exact and Approximate Hierarchical Clustering Using A* [51.187990314731344]
クラスタリングのA*探索に基づく新しいアプローチを紹介します。 A*と新しいエンフォレリスデータ構造を組み合わせることで、禁止的に大きな検索空間を克服します。実験により,本手法は粒子物理利用事例や他のクラスタリングベンチマークにおいて,ベースラインよりもかなり高品質な結果が得られることを示した。
論文参考訳（メタデータ） (2021-04-14T18:15:27Z)
IRLI: Iterative Re-partitioning for Learning to Index [104.72641345738425]
分散環境でのロードバランスとスケーラビリティを維持しながら、高い精度を得る方法とのトレードオフが必要だ。クエリ項目関連データから直接バケットを学習することで、アイテムを反復的に分割するIRLIと呼ばれる新しいアプローチを提案する。我々は,irliが極めて自然な仮定の下で高い確率で正しい項目を検索し,優れた負荷分散を実現することを数学的に示す。
論文参考訳（メタデータ） (2021-03-17T23:13:25Z)
OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection [82.04372532783931]
近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T01:48:53Z)
Cross-Domain Generalization Through Memorization: A Study of Nearest Neighbors in Neural Duplicate Question Detection [72.01292864036087]
重複質問検出(DQD)は,コミュニティの効率向上と自動質問応答システムの実現に重要である。我々は、DQDのクロスドメイン一般化のために、ニューラル表現を活用し、近接する隣人を研究する。 StackExchange、Spring、Quoraの各データセットの異なるクロスドメインシナリオにおいて、このメソッドの堅牢なパフォーマンスを観察します。
論文参考訳（メタデータ） (2020-11-22T19:19:33Z)
A new hashing based nearest neighbors selection technique for big datasets [14.962398031252063]
本稿では, 観測対象の近傍に直接近接する近隣住民の選別を可能にする新しい手法を提案する。提案手法は,データ空間上に構築された仮想グリッドのサブセルにデータ空間を分割する。提案アルゴリズムは,元のKNNよりも時間効率が良く,予測品質もKNNと同等である。
論文参考訳（メタデータ） (2020-04-05T19:36:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。