論文の概要: Cardinality Estimation for High Dimensional Similarity Queries with Adaptive Bucket Probing

• arxiv url: http://arxiv.org/abs/2604.04603v1
• Date: Mon, 06 Apr 2026 11:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.180036
• Title: Cardinality Estimation for High Dimensional Similarity Queries with Adaptive Bucket Probing
• Title（参考訳）: Adaptive Bucket Probing を用いた高次元類似性クエリのカーディナリティ推定
• Authors: Zhonghan Chen, Qintian Guo, Ruiyuan Zhang, Xiaofang Zhou,
• Abstract要約: 本研究では,高次元空間における類似性探索における濃度推定の問題に対処する。 局所性に敏感なハッシュ(LSH)を利用して距離を保ちながらベクトル空間を分割する。 我々は、プログレッシブサンプリングを用いて距離計算の数を減らし、積量子化における非対称距離計算を用いて高次元空間における距離計算を高速化する。
• 参考スコア（独自算出の注目度）: 9.718824826201201
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we address the problem of cardinality estimation for similarity search in high-dimensional spaces. Our goal is to design a framework that is lightweight, easy to construct, and capable of providing accurate estimates with satisfying online efficiency. We leverage locality-sensitive hashing (LSH) to partition the vector space while preserving distance proximity. Building on this, we adopt the principles of classical multi-probe LSH to adaptively explore neighboring buckets, accounting for distance thresholds of varying magnitudes. To improve online efficiency, we employ progressive sampling to reduce the number of distance computations and utilize asymmetric distance computation in product quantization to accelerate distance calculations in high-dimensional spaces. In addition to handling static datasets, our framework includes updating algorithm designed to efficiently support large-scale dynamic scenarios of data updates.Experiments demonstrate that our methods can accurately estimate the cardinality of similarity queries, yielding satisfying efficiency.
• Abstract（参考訳）: 本研究では,高次元空間における類似性探索における濃度推定の問題に対処する。 私たちのゴールは、軽量で構築が容易で、オンライン効率を満足する正確な見積もりを提供することのできるフレームワークを設計することです。 局所性に敏感なハッシュ(LSH)を利用して距離を保ちながらベクトル空間を分割する。 これに基づいて、我々は古典的マルチプローブLSHの原理を採用し、近隣のバケツを適応的に探索し、大きさの異なる距離閾値を考慮に入れている。 オンラインの効率を向上させるために,プログレッシブサンプリングを用いて距離計算を削減し,製品量子化における非対称距離計算を用いて高次元空間における距離計算を高速化する。 静的なデータセットの処理に加えて、我々のフレームワークはデータ更新の大規模動的シナリオを効率的にサポートするように設計されたアルゴリズムも含み、実験により、我々の手法が類似性クエリの濃度を正確に推定でき、効率が満足できることを示した。

関連論文リスト

• Efficient Identification of High Similarity Clusters in Polygon Datasets [0.0]
  本稿では,検証を必要とするクラスタ数を削減し,これらのシステムに対する計算負荷を低減させるフレームワークを提案する。 このフレームワークは動的類似性指数閾値、教師付きスケジューリング、リコール制約付き最適化を統合している。 提案手法は精度を犠牲にすることなく計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-09-28T15:39:15Z)
• Radial Neighborhood Smoothing Recommender System [0.0]
  RNE(Radial Neighborhood Estimator)は、重複および部分的に重複したユーザとイテムのペアに基づいて近傍を構築するために提案される。 RNEは、既存の協調フィルタリングや行列分解法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-07-14T06:01:58Z)
• Efficient Computation of Sparse and Robust Maximum Association Estimators [0.4588028371034406]
  ロバスト統計推定器は経験的精度を提供するが、しばしば高次元スパース設定において計算的に困難である。 現代のアソシエーション推定手法は、他のロバストな手法に対してレジリエンスを課すことなく、外れ値に利用される。
  論文  参考訳（メタデータ） (2023-11-29T11:57:50Z)
• Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
  LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。 我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。 また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2023-02-14T22:12:16Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• Improving Approximate Optimal Transport Distances using Quantization [23.319746583489763]
  最適な輸送は、確率測度を幾何学的に比較する機械学習の一般的なツールである。 OTの線形プログラミングアルゴリズムは入力の規模を3倍にスケールし、大局的にOTを非現実的にする。 安価なサンプルアクセスで測定値間のOT距離を推定するために, 量子化ステップを用いた実用的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-25T08:45:06Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Scalable Distributed Approximation of Internal Measures for Clustering Evaluation [5.144809478361603]
  クラスタリング評価のための内部測度はシルエット係数であり、計算には2つの距離計算が必要である。 本稿では,任意の距離に基づいてクラスタリングの評価を行うための厳密な近似を計算した最初のスケーラブルアルゴリズムを提案する。 また,このアルゴリズムは凝集や分離などのクラスタリング品質の他の内部指標の厳密な近似に適応可能であることも証明した。
  論文  参考訳（メタデータ） (2020-03-03T10:28:14Z)

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。