論文の概要: RACORN-1: Adaptive Recall-Preserving Speedup for Low-Selectivity Filtered Vector Search

• arxiv url: http://arxiv.org/abs/2607.00768v1
• Date: Wed, 01 Jul 2026 10:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.860789
• Title: RACORN-1: Adaptive Recall-Preserving Speedup for Low-Selectivity Filtered Vector Search
• Title（参考訳）: RACORN-1:低選択性フィルタベクトル探索のための適応リコール保存高速化
• Abstract要約: Filtered Vector Search (FVS) は、RAGとプロダクション検索システムにおいて、コア要件として登場した。 既存のHNSWインデックスを再利用する代表的なIn-filteringアルゴリズムであるACORN-1は、低い選択性で遅延を大幅に低減する。 本稿では,ACORN-1のインプレース拡張であるRACORN-1を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Filtered Vector Search (FVS), which combines vector embedding similarity with structured metadata predicates, has emerged as a core requirement in RAG and production retrieval systems. ACORN-1, the representative In-filtering algorithm that reuses an existing HNSW index, substantially reduces latency at low selectivity but suffers connectivity instability below 5% selectivity and recall collapse below 1%. We propose RACORN-1, an in-place extension of ACORN-1 that resolves this collapse via (i) Adaptive Search Fallback (ASF) -- repurposing filter-failing nodes as transient bridges to detour around severed paths; bridge and two-hop candidate selection uses stride sampling for spatial diversity. While filter-first ACORN-family methods have a structural recall trade-off relative to distance-first HNSW, RACORN-1 improves the trade-off curve via ASF, minimizing recall loss while substantially reducing latency. Across three 1M-scale and one 40M-scale dataset, RACORN-1 delivers approximately 9-26x latency reduction over HNSW in the sweet spot (1%-0.3%), and recovers ACORN-1's recall collapse from 0.45-0.72 (1%) and 0.03-0.10 (0.3%) to 0.70-0.96 and 0.77-0.98 respectively. For the extreme-low-selectivity regime where linear scan can outperform graph search, we combine RACORN-1 with (ii) Adaptive Exact Fallback (AEF) in a variant RACORN-1+, achieving recall 1.00 with 20-75x speedup at 1M <=0.1% and 13x speedup at 40M 0.01%. Under a Negative Correlation evaluation (K-means clusters), where ACORN-1 collapses (recall 0.08-0.41), RACORN-1 maintains recall 0.80-0.98 with a 5-9x latency advantage over HNSW. Together, RACORN-1 and RACORN-1+ form an ACORN-1-compatible mechanism robust to both extreme-low-selectivity and adversarial query-filter correlation.
• Abstract（参考訳）: ベクトル埋め込み類似性と構造化メタデータの述語を組み合わせたフィルタベクトル探索(FVS)が,RAGおよび生産検索システムにおけるコア要件として登場した。 既存のHNSWインデックスを再利用する代表的なIn-filteringアルゴリズムであるACORN-1は、低選択率でのレイテンシを大幅に低減するが、接続不安定性は5%選択率以下で、リコール崩壊は1%以下である。 我々は、この崩壊を解消するACORN-1のインプレース拡張であるRACORN-1を提案する。 適応探索フォールバック (Adaptive Search Fallback, ASF) -- フィルタ障害ノードを過渡的なブリッジとして再利用して、切断されたパスを回避し、ブリッジと2ホップ候補の選択は、空間的多様性のためにストライドサンプリングを使用する。 フィルタファーストのACORNファミリー法は、距離優先のHNSWに対して構造的リコールトレードオフを持つが、RACORN-1はASFによるトレードオフ曲線を改善し、リコール損失を最小限に抑え、遅延を大幅に低減する。 3つの1Mスケールと1つの40Mスケールデータセットの中で、RACORN-1は、スイートスポットのHNSW(1%-0.3%)に対して約9-26倍のレイテンシ低減を実現し、ACORN-1のリコール崩壊をそれぞれ0.45-0.72(1%)と0.03-0.10(0.3%)から0.70-0.96と0.77-0.98に回復させる。 線形走査がグラフ探索に勝る極低選択性状態において、RACORN-1と組み合わせる。 (ii) RACORN-1+のアダプティブ・エクサクト・フォールバック(AEF)は1M <=0.1%で20-75xでリコール1.00、40M 0.01%で13xでリコール1.00を達成する。 ACORN-1が崩壊する(0.08-0.41をリコールする)負相関評価(K平均クラスタ)では、RACORN-1はHNSWよりも5-9倍のレイテンシを持つ0.80-0.98をリコールする。 RACORN-1とRACORN-1+は、極低選択性と逆クエリ-フィルタ相関の両方に頑健なACORN-1互換機構を形成する。

関連論文リスト

• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• ER-KANs: Efficient and Robust Kolmogorov-Arnold Networks for Data-Scarce Scientific Machine Learning [0.0]
  トレーニングデータをSigma=0.1ノイズで劣化させた場合,ChebyKanのMSEは10.6倍に向上することを示した。 ER-KANは、ノイズの多いデータスカース設定をターゲットとした3つの設計選択を組み合わせる。
  論文  参考訳（メタデータ） (2026-08-14T16:15:37Z)
• Venice-H1: Failure-Aware Query Re-Ranking with Multi-Scale Grid Signatures for Referring Image Segmentation [0.0]
  軽量でバックボーンを分離したポストホックリグレードモジュールであるVene-H1は、マルチスケールグリッドシグネチャを通じて、各候補をエンコードする。 ヴェネツィア-H1デルタ_failは+1.40および+0.89 mIoUで、全16/16(スプリット、バックボーン)ペアで95%CIを厳密に陽性とし、有害スウィッチ率は0.53%未満であった。
  論文  参考訳（メタデータ） (2026-06-21T15:06:45Z)
• Pretraining Objective Matters in Extreme Low-Data FGVC: A Backbone-Controlled Study [39.146761527401424]
  教師付き分類、コントラスト学習(SigLIP2)、マスク再構築(MAE)、自己蒸留(DINOv3)の4つの凍結型ViT-B/16エンコーダを比較した。 教師付きおよび対照的なエンコーダは、最も強い線形分離性(論理的AUC: 0.768 と 0.735; SVM AUC: 0.739 と 0.697)を提供する。 この領域では、DINOv3はプローブファミリーで不活性である。
  論文  参考訳（メタデータ） (2026-05-15T04:14:16Z)
• Directional Consistency as a Complementary Optimization Signal: The GONO Framework [0.0]
  我々は、深層学習最適化における未探索現象を定式化し、指向性アライメントと損失収束を分離することができる。 本稿では,方向整合性の下でモーメントを増幅し,振動中にそれを抑圧する cc_t に基づいて,Adam の運動量ベータを適応させる GONO を紹介する。 我々は、GONOがAdamの収束率と一致することを証明し、信号が非形式的であるとき、正確にAdamに還元する。
  論文  参考訳（メタデータ） (2026-05-07T17:05:05Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• TempSamp-R1: Effective Temporal Sampling with Reinforcement Fine-Tuning for Video LLMs [67.55973229034319]
  本稿では,マルチモーダルな大規模言語モデル(MLLM)をビデオ時間的グラウンド処理に適応させることの有効性向上を目的とした,新しい強化微調整フレームワークであるTempSamp-R1を紹介する。 我々は、TempSamp-R1がGRPOベースのベースラインより優れており、ベンチマークデータセット上で新しい最先端のパフォーマンスを確立していることを示す。
  論文  参考訳（メタデータ） (2025-09-22T17:30:15Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)
• Efficient k-NN Search with Cross-Encoders using Adaptive Multi-Round CUR Decomposition [77.4863142882136]
  クロスエンコーダモデルは、直接k-nearest neighbor(k-NN)サーチには不当に高価である。 本稿では,現実的に重要なトップk近傍の近似誤差を適応的に,反復的に,効率的に最小化するADACURを提案する。
  論文  参考訳（メタデータ） (2023-05-04T17:01:17Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)

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。