論文の概要: Results of the Big ANN: NeurIPS'23 competition

• arxiv url: http://arxiv.org/abs/2409.17424v1
• Date: Wed, 25 Sep 2024 23:24:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 23:50:22.773966
• Title: Results of the Big ANN: NeurIPS'23 competition
• Title（参考訳）: Big ANNの結果:NeurIPS'23コンペティション
• Authors: Harsha Vardhan Simhadri, Martin Aum\"uller, Amir Ingber, Matthijs Douze, George Williams, Magdalen Dobson Manohar, Dmitry Baranchuk, Edo Liberty, Frank Liu, Ben Landrum, Mazin Karjikar, Laxman Dhulipala, Meng Chen, Yue Chen, Rui Ma, Kai Zhang, Yuzheng Cai, Jiayang Shi, Yizhuo Chen, Weiguo Zheng, Zihao Wan, Jie Yin and Ben Huang
• Abstract要約: 2023年、NeurIPS 2023で開かれたBig ANN Challengeは、データ構造と検索アルゴリズムのインデックス化における最先端の進歩に焦点を当てた。 本稿では,コンペティショントラック,データセット,評価指標,そして,トップパフォーマンスの応募の革新的なアプローチについて要約する。
• 参考スコア（独自算出の注目度）: 32.120977952862205
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The 2023 Big ANN Challenge, held at NeurIPS 2023, focused on advancing the state-of-the-art in indexing data structures and search algorithms for practical variants of Approximate Nearest Neighbor (ANN) search that reflect the growing complexity and diversity of workloads. Unlike prior challenges that emphasized scaling up classical ANN search ~\cite{DBLP:conf/nips/SimhadriWADBBCH21}, this competition addressed filtered search, out-of-distribution data, sparse and streaming variants of ANNS. Participants developed and submitted innovative solutions that were evaluated on new standard datasets with constrained computational resources. The results showcased significant improvements in search accuracy and efficiency over industry-standard baselines, with notable contributions from both academic and industrial teams. This paper summarizes the competition tracks, datasets, evaluation metrics, and the innovative approaches of the top-performing submissions, providing insights into the current advancements and future directions in the field of approximate nearest neighbor search.
• Abstract（参考訳）: NeurIPS 2023で開かれた2023 Big ANN Challengeは、ワークロードの複雑さと多様性の増大を反映した、Approximate Nearest Neighbor(ANN)検索の実用的な変種に対する、データ構造と検索アルゴリズムのインデックス化における最先端の進歩に焦点を当てたものだ。 従来のANN検索のスケールアップに重点を置いた従来の課題とは違って、このコンペティションではフィルタリング検索、アウト・オブ・ディストリビューションデータ、スパース、ストリーミングの亜種が対処された。 参加者は制約された計算資源を持つ新しい標準データセット上で評価された革新的なソリューションを開発し、提出した。 その結果、業界標準ベースラインよりも検索精度と効率が大幅に向上し、学術チームと産業チームの両方から顕著な貢献が得られた。 本稿では, 競合の軌跡, データセット, 評価指標, および, 提案手法の革新的アプローチを概説し, 近接探索分野における現在の進歩と今後の方向性について考察する。

関連論文リスト

• CANDY: A Benchmark for Continuous Approximate Nearest Neighbor Search with Dynamic Data Ingestion [8.036012885171166]
  我々は、動的データ取り込みを伴う連続近似Nearest Neighbor Searchに適したベンチマークであるCANDYを紹介する。 CANDYは幅広いAKNNアルゴリズムを包括的に評価し、機械学習駆動推論のような高度な最適化を統合する。 多様なデータセットに対する評価では、より単純なAKNNベースラインが、リコールやレイテンシの点で、より複雑な選択肢を上回ることが示されている。
  論文  参考訳（メタデータ） (2024-06-28T04:46:11Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T13:40:50Z)
• EFaR 2023: Efficient Face Recognition Competition [51.77649060180531]
  バイオメトリックス国際会議(IJCB 2023)における効率的な顔認識コンペティション(EFaR)の概要について述べる。 この競技会は6つの異なるチームから17の応募を受けた。 提案したソリューションは、様々なベンチマークで達成された検証精度の重み付けスコアと、浮動小数点演算数とモデルサイズによって与えられるデプロイ可能性に基づいてランク付けされる。
  論文  参考訳（メタデータ） (2023-08-08T09:58:22Z)
• Comparison of classifiers in challenge scheme [12.030094148004176]
  本稿では,MeOffendEs@IberLEF 2021コンペティションの結果を分析する。 チャレンジ主催者の意思決定を支援するために,再サンプリング技術(ブートストラップ)による推論を提案する。
  論文  参考訳（メタデータ） (2023-05-16T23:38:34Z)
• Interpretable Symbolic Regression for Data Science: Analysis of the 2022 Competition [0.0]
  シンボリック回帰は、研究された現象を正確に記述した解析式を探索する。 列挙アルゴリズム、混合線形整数プログラミング、ニューラルネットワーク、ベイズ最適化などのアプローチを利用する新しい提案が最近急増している。 本稿では,このコンペティションの結果を詳細に分析し,シンボル回帰アルゴリズムの課題について議論し,今後のコンペティションの改善の可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-04-03T16:30:20Z)
• A Comprehensive Survey on Distributed Training of Graph Neural Networks [59.785830738482474]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーション分野において強力なアルゴリズムモデルであることが示されている。 GNNトレーニングを大規模かつ継続的なグラフにスケールアップするために、最も有望なソリューションは分散トレーニングである。 分散GNNトレーニングに関する研究の規模は、非常に広範であり、出版のペースは極めて速い。
  論文  参考訳（メタデータ） (2022-11-10T06:22:12Z)
• Lessons learned from the NeurIPS 2021 MetaDL challenge: Backbone fine-tuning without episodic meta-learning dominates for few-shot learning image classification [40.901760230639496]
  本稿では,MetaDLコンペティションシリーズの設計,データセット,最良の実験結果,NeurIPS 2021チャレンジにおける最上位の手法について述べる。 トップ参加者のソリューションがオープンソース化された。
  論文  参考訳（メタデータ） (2022-06-15T10:27:23Z)
• Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark [57.10850350508929]
  我々は、異種ネットワーク埋め込み(HNE)に関する既存の研究を要約し、評価するための統一的なフレームワークを提供することを目指している。 最初のコントリビューションとして、既存のHNEアルゴリズムのメリットを体系的に分類し分析するための一般的なパラダイムを提供する。 第2のコントリビューションとして、さまざまなソースから、スケール、構造、属性/ラベルの可用性などに関するさまざまな特性を備えた4つのベンチマークデータセットを作成します。 第3のコントリビューションとして、13の人気のあるHNEアルゴリズムに対するフレンドリなインターフェースを作成し、複数のタスクと実験的な設定に対して、それらの全周比較を提供する。
  論文  参考訳（メタデータ） (2020-04-01T03:42:11Z)
• NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization [101.13851473792334]
  我々は,5,109枚の画像からなる大規模集束群集NWPU-Crowdを構築し,合計2,133,375個の点と箱を付加したアノテートヘッドを構築した。 他の実世界のデータセットと比較すると、様々な照明シーンを含み、最大密度範囲 (020,033) を持つ。 本稿では,データ特性について述べるとともに,主要なSOTA(State-of-the-art)手法の性能を評価し,新たなデータに生じる問題を分析する。
  論文  参考訳（メタデータ） (2020-01-10T09:26:04Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。