論文の概要: GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing

• arxiv url: http://arxiv.org/abs/2604.16402v1
• Date: Tue, 31 Mar 2026 11:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 07:05:58.546088
• Title: GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing
• Title（参考訳）: GRAB-ANNS: GPU-Native Bucketingによる高スループットインデックスとハイブリッド検索
• Authors: Xinkui Zhao, Hengxuan Lou, Yifan Zhang, Junjie Dai, Shuiguang Deng, Jianwei Yin,
• Abstract要約: 動的ハイブリッド検索のためのGPUネイティブグラフインデックスであるGRAB-ANNSを提案する。 GRAB-ANNSは最新のCPUベースシステムよりも最大240.1倍高いクエリスループットと12.6倍高速なインデックス構築を実現する。
• 参考スコア（独自算出の注目度）: 39.763467046232584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid search, which jointly optimizes vector similarity and structured predicate filtering, has become a fundamental building block for modern AI-driven systems. While recent predicate-aware ANN indices improve filtering efficiency on CPUs, their performance is increasingly constrained by limited memory bandwidth and parallelism. Although GPUs offer massive parallelism and superior memory bandwidth, directly porting CPU-centric hybrid search algorithms to GPUs leads to severe performance degradation due to architectural mismatches, including irregular memory access, branch divergence, and excessive CPU-GPU synchronization. In this paper, we present GRAB-ANNS, a high-throughput, GPU-native graph index for dynamic hybrid search. Our key insight is to rethink hybrid indexing from a hardware-first perspective. We introduce a bucket-based memory layout that transforms range predicates into lightweight bucket selection, enabling coalesced memory accesses and efficient SIMT execution. To preserve global navigability under arbitrary filters, we design a hybrid graph topology that combines dense intra-bucket local edges with sparse inter-bucket remote edges. We further develop an append-only update pipeline that supports efficient batched insertions and parallel graph maintenance on GPUs. Extensive experiments on large-scale datasets show that GRAB-ANNS achieves up to 240.1 times higher query throughput and 12.6 times faster index construction than state-of-the-art CPU-based systems, and up to 10 times higher throughput compared to optimized GPU-native reimplementations, while maintaining high recall.
• Abstract（参考訳）: ベクトル類似性と構造化述語フィルタリングを共同で最適化するハイブリッド検索は、現代のAI駆動システムにおける基本的なビルディングブロックとなっている。 最近の述語対応のANNインデックスはCPUのフィルタリング効率を改善するが、メモリ帯域幅の制限と並列性によってその性能はますます制限される。 GPUは膨大な並列性とメモリ帯域幅を提供するが、CPU中心のハイブリッド検索アルゴリズムを直接GPUに移植すると、不規則なメモリアクセス、分岐のばらつき、過剰なCPU-GPU同期などのアーキテクチャミスマッチにより、パフォーマンスが大幅に低下する。 本稿では,動的ハイブリッド検索のための高スループットGPUネイティブグラフインデックスであるGRAB-ANNSを提案する。 私たちの重要な洞察は、ハイブリッドインデックスをハードウェアファーストの観点から再考することです。 本研究では,範囲述語を軽量なバケット選択に変換するバケットベースのメモリレイアウトを導入し,コレーテッドメモリアクセスと効率的なSIMT実行を実現する。 任意のフィルタ下でのグローバルな航法性を維持するために,密度の高い帯域内局所エッジと疎い帯域間リモートエッジを組み合わせたハイブリッドグラフトポロジーを設計する。 さらに、GPU上で効率的なバッチ挿入と並列グラフ保守をサポートする、追加のみの更新パイプラインも開発しています。 大規模なデータセットに対する大規模な実験により、GRAB-ANNSはクエリスループットを最大240.1倍、インデックス構築を最先端のCPUベースシステムより12.6倍、GPUネイティブの再実装を最適化し、高いリコールを維持しながら最大10倍のスループットを達成した。

関連論文リスト

• GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
  本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。 我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。 我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-02-10T16:18:04Z)
• GPU-Accelerated ANNS: Quantized for Speed, Built for Change [1.8419317899207142]
  現在の近似近傍探索(ANNS)システムは3つの重要な制限に直面している。 現在のシステムでは、コストのかかるランダムなメモリアクセスを導入することなく、データ移動を減らす効率的な量子化技術が欠如している。 本稿では、高いクエリスループットとアップビリティを備えたGPUアクセラレーションANNSシステムであるJasperを紹介する。
  論文  参考訳（メタデータ） (2026-01-11T19:51:54Z)
• A Parallel CPU-GPU Framework for Cost-Bounded DFS with Applications to IDA* and BTS [13.186524200050957]
  本稿では,深度第一探索におけるGPU計算手法を提案する。 これは、Iterative Deepening A* (IDA*)アルゴリズムの拡張であるemphsynchronous IDA*のようなアルゴリズムを作成するために使用される。 本研究では, 3x3 の Rubik Cube と 4x4 のスライディングタイルパズル (STP) に対するアプローチを評価し,GPU 操作を DFS で効率的にバッチ化可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-16T05:07:33Z)
• MGG: Accelerating Graph Neural Networks with Fine-grained intra-kernel Communication-Computation Pipelining on Multi-GPU Platforms [28.25823488936712]
  マルチGPUプラットフォーム上でのフルグラフGNNを高速化するシステム設計であるMGGを提案する。 MGGの中核は、GPUカーネル内での微粒な計算通信オーバラップを容易にする、新しい動的ソフトウェアパイプラインである。 MGGは様々な設定で最先端のフルグラフGNNシステムより優れている。
  論文  参考訳（メタデータ） (2022-09-14T17:32:28Z)
• DistGNN: Scalable Distributed Training for Large-Scale Graph Neural Networks [58.48833325238537]
  大規模グラフの構造を学ぶためにGNN(Graph Neural Networks)のフルバッチトレーニングは、実現可能な数百の計算ノードにスケールする必要がある重要な問題です。 本稿では,CPUクラスタ上でのフルバッチトレーニングのためのDGL(Deep Graph Library)を最適化したGNNについて述べる。 4つの一般的なGNNベンチマークデータセットの結果は、1つのCPUソケットを使用して最大3.7倍のスピードアップ、128のCPUソケットを使用して最大97倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2021-04-14T08:46:35Z)
• Large Graph Convolutional Network Training with GPU-Oriented Data Communication Architecture [19.2129567657739]
  グラフ畳み込みネットワーク(gcns)は大規模グラフベースのレコメンデーションシステムでますます採用されている。 現在のGCNトレーニングシステムは、フィーチャーテーブルをホストメモリに保持し、スパース機能の収集にCPUに依存している。 しかしこのアプローチは、ホストメモリの帯域幅とCPUに大きなプレッシャーを与えます。 本稿では,GPUスレッドがホストメモリのスパース機能に直接アクセスするGCNトレーニングのための新しいGPU指向データ通信手法を提案する。
  論文  参考訳（メタデータ） (2021-03-04T21:00:17Z)
• Heterogeneous CPU+GPU Stochastic Gradient Descent Algorithms [1.3249453757295084]
  ヘテロジニアスCPU+GPUアーキテクチャの深層学習のためのトレーニングアルゴリズムについて検討する。 私たちの2倍の目標 -- 収束率と資源利用を同時に最大化する -- は、この問題を難しくします。 これらのアルゴリズムの実装は,複数の実データセットよりも高速な収束と資源利用の両立を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:21:20Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)

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。