論文の概要: Panorama: Fast-Track Nearest Neighbors

• arxiv url: http://arxiv.org/abs/2510.00566v1
• Date: Wed, 01 Oct 2025 06:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.42098
• Title: Panorama: Fast-Track Nearest Neighbors
• Title（参考訳）: パノラマ(動画)
• Authors: Vansh Ramani, Alexis Schlomer, Akash Nayar, Panagiotis Karras, Sayan Ranu, Jignesh M. Patel,
• Abstract要約: 本稿では,機械学習によるアプローチであるPANORAMAを提案する。 PANORAMAは、2-30$times$ end-to-end speedupをリコールロスなしで利用できることを示す。
• 参考スコア（独自算出の注目度）: 22.201421121801214
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Approximate Nearest-Neighbor Search (ANNS) efficiently finds data items whose embeddings are close to that of a given query in a high-dimensional space, aiming to balance accuracy with speed. Used in recommendation systems, image and video retrieval, natural language processing, and retrieval-augmented generation (RAG), ANNS algorithms such as IVFPQ, HNSW graphs, Annoy, and MRPT utilize graph, tree, clustering, and quantization techniques to navigate large vector spaces. Despite this progress, ANNS systems spend up to 99\% of query time to compute distances in their final refinement phase. In this paper, we present PANORAMA, a machine learning-driven approach that tackles the ANNS verification bottleneck through data-adaptive learned orthogonal transforms that facilitate the accretive refinement of distance bounds. Such transforms compact over 90\% of signal energy into the first half of dimensions, enabling early candidate pruning with partial distance computations. We integrate PANORAMA into state-of-the-art ANNS methods, namely IVFPQ/Flat, HNSW, MRPT, and Annoy, without index modification, using level-major memory layouts, SIMD-vectorized partial distance computations, and cache-aware access patterns. Experiments across diverse datasets -- from image-based CIFAR-10 and GIST to modern embedding spaces including OpenAI's Ada 2 and Large 3 -- demonstrate that PANORAMA affords a 2--30$\times$ end-to-end speedup with no recall loss.
• Abstract（参考訳）: Approximate Nearest-Neighbor Search (ANNS)は、高次元空間において、与えられたクエリのそれに近い埋め込みを持つデータ項目を効率よく見つけ、精度と速度のバランスをとることを目的としている。 推奨システム、画像とビデオの検索、自然言語処理、検索拡張生成(RAG)で使用される、IVFPQ、HNSWグラフ、Annoy、MRPTなどのANNSアルゴリズムは、グラフ、ツリー、クラスタリング、量子化技術を用いて大きなベクトル空間をナビゲートする。 この進歩にもかかわらず、ANNSシステムは最終改良段階における距離を計算するのに、クエリ時間の最大99%を費やす。 本稿では,データ適応型学習直交変換によるANNS検証ボトルネックに対処する機械学習駆動型アプローチPANORAMAを提案する。 このような変換は、信号エネルギーの90%以上を次元の前半にコンパクトにし、部分距離計算による早期の候補プルーニングを可能にする。 PANORAMAを最新のANNS手法(IVFPQ/Flat, HNSW, MRPT, Annoy)に統合する。 画像ベースのCIFAR-10やGIST、OpenAIのAda 2やLarge 3など、さまざまなデータセットから、PANORAMAが2-30$\times$ end-to-endのスピードアップをリコールロスなしで実現できることを実証している。

関連論文リスト

• Efficient Sketching and Nearest Neighbor Search Algorithms for Sparse Vector Sets [16.768212375976546]
  スパースANNSのための新しいデータ構造とアルゴリズム手法を提案する。 我々の貢献は、スパースベクトルに対する理論的に基底化されたスケッチアルゴリズムから、それらの有効次元を減少させるものまで様々である。 我々の最終アルゴリズムは耐震性と呼ばれ、大規模ベンチマークデータセット上で高精度でミリ秒以下のレイテンシに達する。
  論文  参考訳（メタデータ） (2025-09-29T14:02:45Z)
• FUnc-SNE: A flexible, Fast, and Unconstrained algorithm for neighbour embeddings [1.189955933770711]
  近傍埋め込み(NE)は、低次元空間への高次元データセットの表現を可能にする。 本稿では,NEを高速化する新しい手法を提案する。 実験は、速度、構造体の柔軟性の点で有望な結果を示し、より広範な機械学習コンテキストにおける潜在的使用を示す。
  論文  参考訳（メタデータ） (2025-09-09T12:46:11Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• SymphonyQG: Towards Symphonious Integration of Quantization and Graph for Approximate Nearest Neighbor Search [13.349178274732862]
  我々は、量子化とグラフのよりシンフォニーな統合を実現するSymphonyQGを提案する。 実世界のデータセットに関する広範な実験に基づいて、SymphonyQGは、時間精度のトレードオフの観点から、新たな最先端技術を確立している。
  論文  参考訳（メタデータ） (2024-11-19T04:51:08Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• 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)
• Thinking Fast and Slow: Efficient Text-to-Visual Retrieval with Transformers [115.90778814368703]
  目的は,大規模画像とビデオデータセットの言語検索である。 このタスクでは、独立してテキストとビジョンを共同埋め込み空間 a.k.a にマッピングする。 デュアルエンコーダは 検索スケールとして魅力的です 視覚テキスト変換器をクロスアテンションで使用する別のアプローチは、関節埋め込みよりも精度が大幅に向上する。
  論文  参考訳（メタデータ） (2021-03-30T17:57:08Z)
• Sequential Place Learning: Heuristic-Free High-Performance Long-Term Place Recognition [24.70946979449572]
  学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。 我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。 さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:57:43Z)
• Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
  本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。 エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
  論文  参考訳（メタデータ） (2020-12-15T11:42:17Z)
• Displacement-Invariant Cost Computation for Efficient Stereo Matching [122.94051630000934]
  ディープラーニング手法は、前例のない不一致の精度を得ることによって、ステレオマッチングのリーダーボードを支配してきた。 しかし、その推測時間は一般的に540p画像の秒数で遅い。 本研究では,4次元特徴量を必要としないEmphdisplacement-invariant cost moduleを提案する。
  論文  参考訳（メタデータ） (2020-12-01T23:58:16Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。