論文の概要: Evaluation of Baseline Methods for IDD-based SSD External Memory Search

• arxiv url: http://arxiv.org/abs/2606.01840v1
• Date: Mon, 01 Jun 2026 07:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.580211
• Title: Evaluation of Baseline Methods for IDD-based SSD External Memory Search
• Title（参考訳）: IDDを用いたSSD外部メモリ探索のためのベースライン手法の評価
• Authors: Yuki Suzuki, Alex Fukunaga,
• Abstract要約: 多くの難解な探索問題は、A*のようなアルゴリズムでRAMだけを使って解けない。 本稿では、IDDベースのA*に対する単純なベースラインアプローチの性能評価と解析により、文献のギャップを解消する。
• 参考スコア（独自算出の注目度）: 2.3572498744567123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many difficult search problems cannot be solved by algorithms such as A* using only RAM. Search algorithms which use external memory such as SSDs and HDDs with much higher capacity than RAM have been proposed in previous work, but previous work has focused on delayed duplicate detection approaches, as well as complex immediate duplicate detection (IDD) methods, and relatively simple methods for IDD have not been systematically studied. In addition, the effect of OS-level mechanisms for managing and speeding up accesses to external memory, such as page caches, has not been studied. This paper addresses these gaps in the literature by evaluating and analyzing the performance of simple baseline approaches for IDD-based A*.
• Abstract（参考訳）: 多くの難解な探索問題は、A*のようなアルゴリズムでRAMだけを使って解けない。 SSDやHDDなどの外部メモリをRAMよりもはるかに高い容量で使用する検索アルゴリズムが提案されているが、従来の研究では遅延検出手法や複雑な即時重複検出(IDD)法、IDDの比較的単純な手法が体系的に研究されていない。 さらに、ページキャッシュなどの外部メモリへのアクセスの管理と高速化のためのOSレベルメカニズムの効果も研究されていない。 本稿では、IDDベースのA*に対する単純なベースラインアプローチの性能評価と解析により、文献におけるこれらのギャップに対処する。

関連論文リスト

• Scalable Disk-Based Approximate Nearest Neighbor Search with Page-Aligned Graph [3.994346326254537]
  本稿では,ディスクベースの近接探索(ANNS)フレームワークであるPageANNを提案する。 その結果、PageANNは最先端(SOTA)ディスクベースのANNS法を著しく上回り、1.85x-10.83倍のスループット、51.7%-91.9%のレイテンシを異なるデータセットとメモリ予算で達成した。
  論文  参考訳（メタデータ） (2025-09-29T20:44:13Z)
• HASH-RAG: Bridging Deep Hashing with Retriever for Efficient, Fine Retrieval and Augmented Generation [16.147618749631103]
  Hash-RAGは、ディープハッシュ技術とシステマティック最適化を統合するフレームワークである。 このハッシュベースの効率的な検索フレームワークを基盤として,きめ細かなチャンクの基盤を確立する。
  論文  参考訳（メタデータ） (2025-05-22T02:22:11Z)
• RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation [54.707460684650584]
  大きな言語モデル(LLM)は対話、推論、知識保持における人間レベルの能力を示す。 現在の研究は、LLMに外部知識を組み込むことによって、このボトルネックに対処している。 RAGLABはモジュール的で研究指向のオープンソースライブラリで、6つの既存のアルゴリズムを再現し、RAGアルゴリズムを調査するための包括的なエコシステムを提供する。
  論文  参考訳（メタデータ） (2024-08-21T07:20:48Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• A Comprehensively Improved Hybrid Algorithm for Learning Bayesian Networks: Multiple Compound Memory Erasing [0.0]
  本稿では、新しいハイブリッドアルゴリズムMCME(multiple compound memory erasing)を提案する。 MCMEは、最初の2つの手法の利点を維持し、上記のCIテストの欠点を解消し、方向判別段階におけるスコアリング機能に革新をもたらす。 多くの実験により、MCMEは既存のアルゴリズムよりも優れた、あるいは類似した性能を示している。
  論文  参考訳（メタデータ） (2022-12-05T12:52:07Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)

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。