論文の概要: Tensor-Train Point Cloud Compression and Efficient Approximate Nearest-Neighbor Search
- arxiv url: http://arxiv.org/abs/2410.04462v1
- Date: Sun, 6 Oct 2024 12:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 07:16:09.671250
- Title: Tensor-Train Point Cloud Compression and Efficient Approximate Nearest-Neighbor Search
- Title（参考訳）: テンソルトレイン点雲圧縮と効率の良い近似近傍探索
- Authors: Georgii Novikov, Alexander Gneushev, Alexey Kadeishvili, Ivan Oseledets,
- Abstract要約: 本稿では, 点雲を効率的に表現するために, テンソルトレイン(TT)低ランクテンソル分解を用いた新しい手法を提案する。
Sliced Wassersteinのような密度推定損失を利用してTT分解を訓練する確率論的解釈を提案する。
TT点雲の内部に固有の階層構造を明らかにし, 近接探索を効率的に行えるようにした。
- 参考スコア（独自算出の注目度）: 45.79272321017838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nearest-neighbor search in large vector databases is crucial for various machine learning applications. This paper introduces a novel method using tensor-train (TT) low-rank tensor decomposition to efficiently represent point clouds and enable fast approximate nearest-neighbor searches. We propose a probabilistic interpretation and utilize density estimation losses like Sliced Wasserstein to train TT decompositions, resulting in robust point cloud compression. We reveal an inherent hierarchical structure within TT point clouds, facilitating efficient approximate nearest-neighbor searches. In our paper, we provide detailed insights into the methodology and conduct comprehensive comparisons with existing methods. We demonstrate its effectiveness in various scenarios, including out-of-distribution (OOD) detection problems and approximate nearest-neighbor (ANN) search tasks.
- Abstract（参考訳）: 大規模ベクトルデータベースにおける最寄りの探索は、さまざまな機械学習アプリケーションに不可欠である。
本稿では, 点群を効率的に表現し, 近接探索を高速に行うために, テンソルトレイン(TT)低ランクテンソル分解を用いた新しい手法を提案する。
Sliced Wassersteinのような密度推定損失を利用してTT分解を訓練し、ロバストポイントクラウド圧縮を実現する確率論的解釈を提案する。
TT点雲内の固有階層構造を明らかにすることにより, 近接探索を効率的に行うことができる。
本稿では,方法論に関する詳細な知見を提供し,既存の手法と包括的な比較を行う。
本稿では, オフ・オブ・ディストリビューション (OOD) 検出問題や, ANN (Nest-Nighbor) 探索タスクなど, 様々なシナリオで有効性を示す。
関連論文リスト
- Experimental comparison of graph-based approximate nearest neighbor search algorithms on edge devices [1.5495593104596401]
本稿では, エッジデバイス上に配置したグラフベースニアニアニアサーチアルゴリズム(ANN)を, リアルタイムニアニアサーチアプリケーションに適用するための実験結果と比較する。
論文 参考訳（メタデータ） (2024-11-21T10:41:24Z) - 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) - Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。
テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。
LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。
提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文 参考訳（メタデータ） (2024-02-27T14:21:56Z) - Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。
この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。
我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
論文 参考訳（メタデータ） (2024-01-02T23:26:33Z) - An Optimal Algorithm for the Real-Valued Combinatorial Pure Exploration
of Multi-Armed Bandit [65.268245109828]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。
既存のR-CPE-MABの手法は、いわゆるトランスダクティブ線形帯域の特殊な場合と見なすことができる。
本稿では,差分探索アルゴリズム (CombGapE) を提案する。
論文 参考訳（メタデータ） (2023-06-15T15:37:31Z) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳（メタデータ） (2023-02-02T08:33:36Z) - 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) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - How to Design Robust Algorithms using Noisy Comparison Oracle [12.353002222958605]
メトリクスに基づく比較操作は、様々なクラスタリング技術の研究に基本的である。
本稿では,最接近探索,最接近探索,最接近探索など様々な問題について検討する。
k中心クラスタリングと凝集階層クラスタリングのためのロバストなアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-05-12T16:58:09Z) - Leveraging Reinforcement Learning for evaluating Robustness of KNN
Search Algorithms [0.0]
与えられたクエリポイントのデータセットでk-nearestの隣人を見つける問題は、数年前から解決されてきた。
本稿では,K-Nearest Neighbor Search(K-Nearest Neighbor Search)の手法について,計算の視点から検討する。
本論文では,KNNSアプローチの対敵点に対する堅牢性を評価するために,汎用的な強化学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-10T16:10:58Z)
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。