論文の概要: ANNLib: A Development Framework for Efficient Approximate Nearest Neighbor Search

• arxiv url: http://arxiv.org/abs/2607.17582v1
• Date: Mon, 20 Jul 2026 05:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.510151
• Title: ANNLib: A Development Framework for Efficient Approximate Nearest Neighbor Search
• Title（参考訳）: ANNLib: 効率的な近似近傍探索のための開発フレームワーク
• Abstract要約: ANNLibはANNSシステムで高性能で柔軟な機能を実現するためのプログラミングフレームワークを提供するライブラリである。 我々は、ANNSシステムのアルゴリズムとデータ構造の両方を慎重に分離し、独立に最適化する。 さらに、我々は最先端のアルゴリズムとデータ構造をANNLibにモジュールとして統合し、新しい設計をしました。
• 参考スコア（独自算出の注目度）: 1.7987122293401787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximate Nearest Neighbor Search (ANNS) plays a pivotal role in modern deep learning pipelines. Recently, many ANNS systems have been proposed to either provide broad functionality or reach high performance. However, it is yet difficult to achieve both with minimal programming efforts. We propose ANNLib to address the gap. ANNLib is a library that provides a programming framework for achieving high performance and flexible functionality in ANNS systems, based on popular graph-based ANNS algorithms. We carefully decouple and independently optimize both the algorithm and the data structure components of an ANNS system. In addition, we integrate state-of-the-art algorithms and data structures into ANNLib as modules, along with our new designs. Users can choose combinations of components to implement sophisticated settings with high performance, such as filter search, fully dynamic updates, and historical queries on snapshots. Our experiments show that our new solution provides a simple interface for various applications and achieves comparable or even better performance than previous work, specifically for each application.
• Abstract（参考訳）: 近似Nearest Neighbor Search(ANNS)は、現代のディープラーニングパイプラインにおいて重要な役割を果たす。 近年,多くのANNSシステムにおいて,機能拡張や高性能化が提案されている。 しかし、最小限のプログラミング努力で両方を達成するのは難しい。 我々はこのギャップに対処するためにANNLibを提案する。 ANNLibは、一般的なグラフベースのANNSアルゴリズムに基づいて、ANNSシステムで高性能で柔軟な機能を実現するためのプログラミングフレームワークを提供するライブラリである。 我々は、ANNSシステムのアルゴリズムとデータ構造の両方を慎重に分離し、独立に最適化する。 さらに、我々は最先端のアルゴリズムとデータ構造をANNLibにモジュールとして統合し、新しい設計をしました。 ユーザーはコンポーネントの組み合わせを選択して、フィルター検索、完全な動的更新、スナップショットの履歴クエリなど、高度な設定を高性能で実装することができる。 我々の実験は、新しいソリューションが様々なアプリケーションにシンプルなインターフェースを提供し、以前の作業、特に各アプリケーションに匹敵する、あるいはさらに優れたパフォーマンスを実現していることを示している。

関連論文リスト

• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• PLANETALIGN: A Comprehensive Python Library for Benchmarking Network Alignment [51.927788705342266]
  ネットワークアライメント(NA)は、異なるネットワーク間のノード対応を識別することを目的としている。 NAの研究が増えているにもかかわらず、NAメソッドの体系的な開発とベンチマークを容易にする包括的なライブラリが欠けている。 ネットワークアライメントのためのPythonライブラリであるPLANETALIGNを紹介します。
  論文  参考訳（メタデータ） (2025-05-27T15:56:30Z)
• kANNolo: Sweet and Smooth Approximate k-Nearest Neighbors Search [5.394883109521642]
  ANN(Approximate Nearest Neighbors)検索は、レコメンダシステムや情報検索など、いくつかのアプリケーションにおいて重要なタスクである。 現在の最先端のANNライブラリはパフォーマンス指向だが、モジュール化と使いやすさに欠けることが多い。 我々は、Rustで書かれた新しい研究指向のANNライブラリであるkANNoloを紹介し、ユーザビリティとパフォーマンスを効果的に組み合わせるように明示的に設計した。
  論文  参考訳（メタデータ） (2025-01-10T17:19:59Z)
• Combining Neural Architecture Search and Automatic Code Optimization: A Survey [0.8796261172196743]
  ハードウェア対応ニューラルアーキテクチャサーチ(HW-NAS)と自動コード最適化(ACO)の2つの特長がある。 HW-NASは正確だがハードウェアフレンドリなニューラルネットワークを自動設計する。 この調査では、これらの2つのテクニックをひとつのフレームワークで組み合わせた最近の研究について調査する。
  論文  参考訳（メタデータ） (2024-08-07T22:40:05Z)
• Model Input-Output Configuration Search with Embedded Feature Selection for Sensor Time-series and Image Classification [0.0]
  MICS-EFSは、組込み特徴選択を伴うモデル入力出力構成探索である。 ベースラインモデルよりも平均精度が1.5%向上している。 特徴次元を元のデータの2-5%に減らし、計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-26T08:58:29Z)
• PLiNIO: A User-Friendly Library of Gradient-based Methods for Complexity-aware DNN Optimization [3.460496851517031]
  PLiNIOは、最先端のDNN設計自動化技術を包括的に実装したオープンソースライブラリである。 PLiNIOは、ベースラインアーキテクチャと比較して最大94.34%のメモリ削減を実現し、1%の精度低下を実現している。
  論文  参考訳（メタデータ） (2023-07-18T07:11:14Z)
• Flexible Channel Dimensions for Differentiable Architecture Search [50.33956216274694]
  本稿では,効率的な動的チャネル割当アルゴリズムを用いた新しい微分可能なニューラルアーキテクチャ探索法を提案する。 提案するフレームワークは,タスク精度と推論遅延において,従来の手法と等価なDNNアーキテクチャを見つけることができることを示す。
  論文  参考訳（メタデータ） (2023-06-13T15:21:38Z)
• OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural Architecture Search [79.36688444492405]
  once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。 我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
  論文  参考訳（メタデータ） (2023-03-23T21:30:29Z)
• Searching Large Neighborhoods for Integer Linear Programs with Contrastive Learning [39.40838358438744]
  線形プログラム(ILP)は、多数の最適化問題のモデリングと解決のための強力なツールである。 アルゴリズムとしてLarge Neighborhood Search (LNS)は、ブランチやバウンドよりも高速に、ILPの高品質なソリューションを見つけることができる。 本稿では,メトリクスによって測定された複数のILPベンチマークに対して,最先端のリアルタイム性能を実現する新しいアプローチCL-LNSを提案する。
  論文  参考訳（メタデータ） (2023-02-03T07:15:37Z)
• One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search Space Shrinking [97.60915598958968]
  本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。 最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。 第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
  論文  参考訳（メタデータ） (2021-04-01T16:29:49Z)
• EDD: Efficient Differentiable DNN Architecture and Implementation Co-search for Embedded AI Solutions [40.32848001349242]
  本稿では,完全同時かつ効率的なDNNアーキテクチャと実装共同研究手法を提案する。 探索変数とハードウェア実装変数を1つの解空間に融合させることにより,共同探索問題を定式化し,アルゴリズムの精度とハードウェア実装品質を最大化する。
  論文  参考訳（メタデータ） (2020-05-06T02:37:48Z)
• DDPNAS: Efficient Neural Architecture Search via Dynamic Distribution Pruning [135.27931587381596]
  DDPNASと呼ばれる効率よく統一されたNASフレームワークを提案する。 検索空間は動的に切断され,その分布はいくつかのエポック毎に更新される。 提案した効率的なネットワーク生成手法により,与えられた制約に対する最適なニューラルネットワークアーキテクチャを直接取得する。
  論文  参考訳（メタデータ） (2019-05-28T06:35:52Z)

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。