論文の概要: GEM: A Native Graph-based Index for Multi-Vector Retrieval

• arxiv url: http://arxiv.org/abs/2603.20336v1
• Date: Fri, 20 Mar 2026 08:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.849367
• Title: GEM: A Native Graph-based Index for Multi-Vector Retrieval
• Title（参考訳）: GEM:マルチベクタ検索のためのグラフベースのネイティブインデックス
• Authors: Yao Tian, Zhoujin Tian, Xi Zhao, Ruiyuan Zhang, Xiaofang Zhou,
• Abstract要約: マルチベクトル表現のためのネイティブインデックスフレームワークであるGEMを提案する。 中心となる考え方は、ベクトル集合を直接的に近接グラフを構築することである。 GEMは最先端の手法で最大16倍のスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 13.953993785922108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In multi-vector retrieval, both queries and data are represented as sets of high-dimensional vectors, enabling finer-grained semantic matching and improving retrieval quality over single-vector approaches. However, its practical adoption is held back by the lack of effective indexing algorithms. Existing work, attempting to reuse standard single-vector indexes, often fails to preserve multi-vector semantics or remains slow. In this work, we present GEM, a native indexing framework for multi-vector representations. The core idea is to construct a proximity graph directly over vector sets, preserving their fine-grained semantics while enabling efficient navigation. First, GEM designs a set-level clustering scheme. It associates each vector set with only its most informative clusters, effectively reducing redundancy without hurting semantic coverage. Then, it builds local proximity graphs within clusters and bridges them into a globally navigable structure. To handle the non-metric nature of multi-vector similarity, GEM decouples the graph construction metric from the final relevance score and injects semantic shortcuts to guide efficient navigation toward relevant regions. At query time, GEM launches beam search from multiple entry points and prunes paths early using cluster cues. To further enhance efficiency, a quantized distance estimation technique is used for both indexing and search. Across in-domain, out-of-domain, and multi-modal benchmarks, GEM achieves up to 16x speedup over state-of-the-art methods while matching or improving accuracy.
• Abstract（参考訳）: マルチベクター検索では、クエリとデータは高次元ベクトルの集合として表現され、よりきめ細かなセマンティックマッチングを可能にし、単一ベクターアプローチよりも検索品質を向上させる。 しかし、その実践的採用は効果的なインデックスアルゴリズムの欠如に支えられている。 標準のシングルベクターインデックスを再利用しようとする既存の作業は、多くの場合、マルチベクターセマンティクスを保存するのに失敗するか、遅いままである。 本稿では,マルチベクトル表現のためのネイティブインデックスフレームワークであるGEMを紹介する。 中心となる考え方は、ベクトル集合を直接的に近接グラフを構築し、細粒度のセマンティクスを保存し、効率的なナビゲーションを可能にすることである。 まず、GEMはセットレベルのクラスタリングスキームを設計する。 それぞれのベクトルセットを最も情報性の高いクラスタのみに関連付け、セマンティックカバレッジを損なうことなく、事実上冗長性を低下させる。 そして、クラスタ内に局所的な近接グラフを構築し、それらをグローバルにナビゲート可能な構造にブリッジする。 マルチベクター類似性の非メトリック性を扱うため、GEMはグラフ構築基準を最終関連スコアから切り離し、意味的ショートカットを注入して、関連する領域への効率的なナビゲーションを誘導する。 クエリ時に、GEMはクラスタキューを使用して、複数のエントリポイントとプルースパスからビームサーチを起動する。 効率をさらに高めるため、索引付けと探索の両方に量子化距離推定手法が用いられている。 ドメイン内、ドメイン外、マルチモーダルベンチマーク全体で、GEMは、マッチングや精度の向上とともに、最先端のメソッドよりも最大16倍のスピードアップを達成する。

関連論文リスト

• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Beyond Nearest Neighbors: Semantic Compression and Graph-Augmented Retrieval for Enhanced Vector Search [2.377892000761193]
  本稿では,クエリの周囲のより広いセマンティック構造をキャプチャする,コンパクトで代表的なベクトル群を選択することを目的としたセマンティック圧縮という新しい検索パラダイムを提案する。 このアイデアを運用するために,ベクトル空間上に意味グラフ(kNNや知識ベースリンクなど)をオーバーレイするグラフ拡張ベクター検索を提案する。 本研究は,ハイブリットインデックス,多様性を考慮したクエリ,構造化セマンティック検索を重視した意味中心ベクトル探索システムの基礎を概説する。
  論文  参考訳（メタデータ） (2025-07-25T23:35:11Z)
• 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)
• MUVERA: Multi-Vector Retrieval via Fixed Dimensional Encodings [15.275864151890511]
  マルチベクトル探索を単一ベクトル類似性探索に還元する検索機構であるMUVERA(MUlti-VEctor Retrieval Algorithm)を導入する。 MUVERAはBEIR検索データセットの多種多様なセットに対して、一貫して優れたエンドツーエンドのリコールとレイテンシを実現する。
  論文  参考訳（メタデータ） (2024-05-29T20:40:20Z)
• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
  画像の参照は、言語表現からのイメージセグメントを参照する。 そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。 比較すると,本手法はより汎用的で有効である。
  論文  参考訳（メタデータ） (2023-03-11T08:42:40Z)
• CITADEL: Conditional Token Interaction via Dynamic Lexical Routing for Efficient and Effective Multi-Vector Retrieval [72.90850213615427]
  マルチベクター検索法はスパース(例えばBM25)と高密度(例えばDPR)レトリバーの利点を組み合わせたものである。 これらの手法は桁違いに遅く、単ベクトルの手法に比べてインデックスを格納するのにはるかに多くのスペースを必要とする。 動的語彙ルーティング(CITADEL)による条件付きトークンの相互作用を,効率的かつ効率的なマルチベクタ検索のために提案する。
  論文  参考訳（メタデータ） (2022-11-18T18:27:35Z)
• Genie: A new, fast, and outlier-resistant hierarchical clustering algorithm [3.7491936479803054]
  我々はGenieと呼ばれる新しい階層的クラスタリングリンク基準を提案する。 我々のアルゴリズムは、2つのクラスタを、選択された経済不平等尺度が与えられたしきい値を超えないようにリンクする。 このアルゴリズムのリファレンス実装は、Rのためのオープンソースの'genie'パッケージに含まれている。
  論文  参考訳（メタデータ） (2022-09-13T06:42:53Z)

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。