論文の概要: JAG: Joint Attribute Graphs for Filtered Nearest Neighbor Search
- arxiv url: http://arxiv.org/abs/2602.10258v1
- Date: Tue, 10 Feb 2026 20:00:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.264165
- Title: JAG: Joint Attribute Graphs for Filtered Nearest Neighbor Search
- Title（参考訳）: JAG: 近傍のフィルタ検索のための共同属性グラフ
- Authors: Haike Xu, Guy Blelloch, Laxman Dhulipala, Lars Gottesbüren, Rajesh Jayaram, Jakub Łącki,
- Abstract要約: JAG(Joint Attribute Graphs)は、グラフベースのアルゴリズムで、選択スペクトル全体にわたって堅牢なパフォーマンスを実現する。
実験の結果,JAGはスループットとリコールロバスト性の両方において,既存の最先端のベースラインを著しく上回っていることがわかった。
- 参考スコア（独自算出の注目度）: 8.398505388767248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite filtered nearest neighbor search being a fundamental task in modern vector search systems, the performance of existing algorithms is highly sensitive to query selectivity and filter type. In particular, existing solutions excel either at specific filter categories (e.g., label equality) or within narrow selectivity bands (e.g., pre-filtering for low selectivity) and are therefore a poor fit for practical deployments that demand generalization to new filter types and unknown query selectivities. In this paper, we propose JAG (Joint Attribute Graphs), a graph-based algorithm designed to deliver robust performance across the entire selectivity spectrum and support diverse filter types. Our key innovation is the introduction of attribute and filter distances, which transform binary filter constraints into continuous navigational guidance. By constructing a proximity graph that jointly optimizes for both vector similarity and attribute proximity, JAG prevents navigational dead-ends and allows JAG to consistently outperform prior graph-based filtered nearest neighbor search methods. Our experimental results across five datasets and four filter types (Label, Range, Subset, Boolean) demonstrate that JAG significantly outperforms existing state-of-the-art baselines in both throughput and recall robustness.
- Abstract（参考訳）: 現代のベクトル探索システムでは, 近傍のフィルタ探索が基本課題となっているが, 既存のアルゴリズムの性能は, クエリ選択性やフィルタタイプに非常に敏感である。
特に、既存のソリューションは特定のフィルタカテゴリ(例えば、ラベルの等式)や狭い選択帯域(例えば、低選択率の事前フィルタリング)で優れており、新しいフィルタタイプや未知のクエリ選択性への一般化を要求する実用的なデプロイメントには適していない。
本稿では,JAG(Joint Attribute Graphs)というグラフベースのアルゴリズムを提案する。
私たちの重要なイノベーションは属性とフィルタ距離の導入です。
JAGは、ベクトル類似性と属性近接の両方を共同で最適化する近接グラフを構築することにより、ナビゲーションのデッドエンドを防止し、JAGがグラフベースのフィルタされた近接探索手法を一貫して上回ることを可能にする。
5つのデータセットと4つのフィルタタイプ(Label、Range、Subset、Boolean)にわたる実験結果から、JAGはスループットとリコールロバスト性の両方において、既存の最先端のベースラインを大幅に上回っていることが示されています。
関連論文リスト
- Curator: Efficient Vector Search with Low-Selectivity Filters [12.774238654446032]
グラフベースのインデックスは、未フィルタリングANNSでは最先端のパフォーマンスを実現するが、低選択性フィルタリングクエリでは接続性の低下に遭遇する。
近年の研究では、グラフ度を拡大することでこの問題に対処するグラフインデックスが提案されている。
低選択性フィルタANNSに対する既存のグラフベースのアプローチを補完する分割型インデックスであるCuratorを提案する。
論文 参考訳（メタデータ） (2026-01-03T21:35:01Z) - Learning Filter-Aware Distance Metrics for Nearest Neighbor Search with Multiple Filters [7.493563348124023]
Filtered Approximate Nearest Neighbor (ANN) 検索は、データセットからクエリベクトルに最も近いベクトルを検索する。
既存のグラフベースの手法では、固定されたペナルティを割り当てることによってフィルタの認識を組み込むのが一般的である。
本稿では,ベクトル距離とフィルタマッチングの最適トレードオフをデータから直接学習する原理的手法を提案する。
論文 参考訳（メタデータ） (2025-11-06T05:24:41Z) - Benchmarking Filtered Approximate Nearest Neighbor Search Algorithms on Transformer-based Embedding Vectors [18.796661826646616]
Filtered Approximate Nearest Neighbor Search (FANNS) は、フィルタされた近似Nearest Neighbor Search (FANNS) と呼ばれる問題である。
本稿では, FANNS手法の総合的な調査と分類について紹介し, それらが文献でどのようにベンチマークされているか分析する。
本稿では、arXivリポジトリから270万以上の研究論文を要約したベクトルを埋め込んだ新しいデータセットについて紹介する。
論文 参考訳（メタデータ） (2025-07-29T16:39:54Z) - NaviX: A Native Vector Index Design for Graph DBMSs With Robust Predicate-Agnostic Search Performance [7.108581652658526]
グラフ(GDBMS)のネイティブベクトルインデックスであるNaviXを提示する。
NaviXは階層的ナビゲート可能な小型世界(HNSW)グラフ上に構築されている。
論文 参考訳（メタデータ） (2025-06-29T21:16:07Z) - Billion-scale Similarity Search Using a Hybrid Indexing Approach with Advanced Filtering [49.1574468325115]
本稿では,CPU推論に最適化された数十億規模のデータセット上での複雑なフィルタリング機能を備えた類似度探索のための新しい手法を提案する。
提案手法は,従来のIVF-Flatインデックス構造を拡張し,多次元フィルタを統合する。
提案アルゴリズムは,高次元空間での高速な探索を可能にするため,高密度埋め込みと離散フィルタ特性を組み合わせる。
論文 参考訳（メタデータ） (2025-01-23T07:47:00Z) - Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。
本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。
ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文 参考訳（メタデータ） (2021-09-20T06:07:14Z) - Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。
ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-06-18T04:23:34Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳（メタデータ） (2021-04-26T19:31:21Z) - Data Agnostic Filter Gating for Efficient Deep Networks [72.4615632234314]
現在のフィルタプルーニング法は主に特徴写像を利用してフィルタの重要なスコアを生成し、より小さなスコアのプルーンを生成する。
本稿では,Daggerモジュールと呼ばれる補助的ネットワークを用いてプルーニングを誘導するデータフィルタプルーニング手法を提案する。
さらに,特定のFLOP制約でプルーネフィルタを支援するために,明示的なFLOPを意識した正規化を活用して,プルーニングフィルタを直接対象のFLOPに向けて推進する。
論文 参考訳（メタデータ） (2020-10-28T15:26:40Z) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳（メタデータ） (2020-05-06T07:41:22Z)
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。