論文の概要: Efficient and Effective In-place Graph-based Vector Index Updates
- arxiv url: http://arxiv.org/abs/2607.15576v1
- Date: Fri, 17 Jul 2026 02:40:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.736746
- Title: Efficient and Effective In-place Graph-based Vector Index Updates
- Title（参考訳）: グラフベースベクトルインデックスの効率的かつ効果的な更新
- Abstract要約: ベクトルレベルの更新機構を導入し、3つのコアコンポーネントを持つYiを設計する。
Yiは、800Mデータセットの最先端システムよりも1.75倍高い更新スループットと1.8倍高い同時検索スループットを実現している。
- 参考スコア（独自算出の注目度）: 27.624578663931604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the era of Large Language Models (LLMs), efficient vector updates are critical for capturing real-time information from rapidly evolving data. However, it is not trivial to process frequent vector insert and delete updates and maintain a high recall of the search results simultaneously. Specifically, the cluster-based vector indexing methods have high update throughput but low search result quality. Existing out-of-place graph-based vector indexing update approaches suffer from poor update throughput due to the need to periodically merge update batches into the underlying graph index. Building a vector data system that supports efficient and effective in-place updates is inherently challenging. In this work, we propose Yi to achieve it. In particular, Yi supports in-place graph-based vector indexing updates with consistently high update throughput and good search result quality. The key idea of Yi is decomposition facilitates consolidation. In particular, we introduce a vector-level update mechanism and architect Yi with three core components: (i) a tasklet-based execution engine, (ii) an asynchronous buffer manager, and (iii) a vector file system. Experimental results demonstrate that Yi achieves 1.75x higher update throughput and 1.8x higher concurrent search throughput than the state-of-the-art systems on the 800M dataset, while using only 73% of the peak memory and fewer CPU cores.
- Abstract（参考訳）: 大規模言語モデル(LLM)の時代において、高速に進化するデータからリアルタイム情報を取得するためには、効率的なベクトル更新が不可欠である。
しかし、頻繁なベクトル挿入と削除の更新を処理し、検索結果のリコールを同時に行うことは簡単ではない。
具体的には、クラスタベースのベクトルインデックス法は、高い更新スループットを持つが、検索結果の品質は低い。
既存のグラフベースのベクトルインデックス更新アプローチでは、更新バッチを基礎となるグラフインデックスに定期的にマージする必要があるため、更新スループットが低下する。
効率的で効果的なインプレース更新をサポートするベクトルデータシステムの構築は、本質的に困難である。
本稿では,その実現に向けてYiを提案する。
特に、Yiはグラフベースのベクターインデックス更新をサポートする。
Yi の鍵となる考え方は、分解が統合を促進することである。
特に、ベクトルレベルの更新機構を導入し、3つのコアコンポーネントを持つYiを設計する。
(i)タスクレットベースの実行エンジン
(ii)非同期バッファマネージャ、および
(iii)ベクトルファイルシステム。
実験の結果、Yiは800Mデータセットの最先端システムよりも1.75倍高い更新スループットと1.8倍高い並列検索スループットを実現し、ピークメモリの73%しか使用せず、CPUコアも少ないことがわかった。
関連論文リスト
- No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval [51.43543998583709]
SSR(Single-stage Sparse Retrieval)は、高価なクラスタリングを効率的なスパースコーディングに置き換えるパラダイムシフトである。
ColBERTv2と比較してインデックス処理時間を15倍短縮し、検索レイテンシを半減させ、同時に検索性能を向上させる。
論文 参考訳（メタデータ） (2026-05-28T15:53:34Z) - An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。
これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか?
我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
論文 参考訳（メタデータ） (2026-05-08T02:00:11Z) - ITS3D: Inference-Time Scaling for Text-Guided 3D Diffusion Models [88.04431808574581]
ITS3Dは、最も効果的なガウス雑音入力を特定するための最適化問題としてタスクを定式化するフレームワークである。
安定性, 効率, 探索能力を向上させるための3つの技術を紹介する。
実験により、ITS3Dはテキストから3D生成の品質を向上させることが示された。
論文 参考訳（メタデータ） (2025-11-27T13:46:16Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - DGAI: Decoupled On-Disk Graph-Based ANN Index for Efficient Updates and Queries [14.147837695174722]
オンディスクグラフに基づくインデックスは、大規模で高次元のベクトルに対する近接近接探索システム(ANN)において広く使われている。
インデックス内にベクトルを格納する従来の結合ストレージ方式は、インデックス更新に非効率である。
本稿では,疎結合型ストレージアーキテクチャを提案するが,疎結合型アーキテクチャはクエリ性能を低下させる。
論文 参考訳（メタデータ） (2025-10-29T11:20:10Z) - CleANN: Efficient Full Dynamism in Graph-based Approximate Nearest Neighbor Search [6.319134122855477]
近似近接探索(ANNS)は、AIワークロードのための様々な基礎データタスクにおいて、重要なアルゴリズム問題となっている。
既存のグラフベースのインデックスは静的シナリオのために設計されている。
CleANNは完全なダイナミズムの下で品質を維持しながら、そのような効率を達成する最初のANNSインデックスである。
論文 参考訳（メタデータ） (2025-07-26T05:27:32Z) - HAKES: Scalable Vector Database for Embedding Search Service [16.034584281180006]
我々は,並列な読み書きワークロード下で高いスループットと高いリコールを実現するベクトルデータベースを構築した。
我々のインデックスは、高リコール領域と同時読み書きワークロード下でインデックスベースラインより優れています。
nameysはスケーラブルで、ベースラインよりも最大16タイムで高いスループットを実現します。
論文 参考訳（メタデータ） (2025-05-18T19:26:29Z) - In-Place Updates of a Graph Index for Streaming Approximate Nearest Neighbor Search [12.092920351505036]
IP-DiskANNは,挿入処理と削除処理を効率よく行うことにより,バッチ統合を回避する最初のアルゴリズムである。
ハイリコールとローリコールの両方で、様々な長い更新パターンに対して安定したリコールを行う。
論文 参考訳（メタデータ） (2025-02-19T15:41:08Z) - SPFresh: Incremental In-Place Update for Billion-Scale Vector Search [19.245438083030006]
位置ベクトル更新をサポートするシステムであるSPFreshを紹介する。
SPFreshの中心は軽量なインクリメンタルリバランシングプロトコルであるLIREである。
LIREでは,グローバルリビルドに基づくソリューションに対して,クエリレイテンシと精度が向上する。
論文 参考訳（メタデータ） (2024-10-18T13:24:18Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳（メタデータ） (2022-03-23T06:24:31Z)
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。