論文の概要: An Exploration Graph with Continuous Refinement for Efficient Multimedia Retrieval
- arxiv url: http://arxiv.org/abs/2607.27623v1
- Date: Thu, 30 Jul 2026 03:22:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.381869
- Title: An Exploration Graph with Continuous Refinement for Efficient Multimedia Retrieval
- Title（参考訳）: 効率的なマルチメディア検索のための連続的リファインメントを用いた探索グラフ
- Abstract要約: 本稿では, 連続精製探索グラフ(crEG)を提案する。
最先端の探索性能を持つコンパクトな探索グラフを高速に構築するための新しい手法である。
どちらのアルゴリズムも、偶数度の無向グラフを生成および操作するために特別に設計されている。
- 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: As datasets and the dimensionality of feature vectors continue to grow, Approximate Nearest Neighbor Search (ANNS) in large multimedia databases becomes increasingly relevant. Graph-based approaches have demonstrated to offer the best trade-off between retrieval precision and search time. Despite their ability to deliver search times several orders of magnitude faster than exact search techniques, existing methods suffer from slow constructions speeds or high memory requirements. This paper presents a "continuous refining Exploration Graph" (crEG), a novel approach for rapidly constructing a compact exploration graph with state-of-the-art search performance. Additionally, it provides the ability to enhance its effectiveness even further through an optional edge optimization algorithm. Both algorithms are specifically designed to produce and operate on undirected graphs with even degrees and guarantee graph connectivity at any time, a property particularly valuable for "exploratory search", where the query is part of the database elements. Although such queries provide an advantageous starting point for graph search algorithms, they have been rarely considered in the context of ANNS, yet are crucial for recommendation and exploration systems. Our experiments demonstrate high efficiency in ANNS does not necessarily translate to a good performance in "exploratory search".
- Abstract（参考訳）: データセットと特徴ベクトルの次元が増加し続けるにつれ、大規模マルチメディアデータベースにおける近似近傍探索(ANNS)はますます関連性が高まっている。
グラフベースのアプローチは、検索精度と検索時間の間の最良のトレードオフを提供することを示した。
正確な探索技術よりも数桁早く探索時間を納品できるにもかかわらず、既存の手法は遅い構築速度や高いメモリ要求に悩まされている。
本稿では,最先端の探索性能を持つコンパクト探索グラフを高速に構築する手法として,連続精製探索グラフ(crEG)を提案する。
さらに、オプションのエッジ最適化アルゴリズムにより、その効果をさらに高めることができる。
どちらのアルゴリズムも、偶数度のグラフを生成・操作し、グラフ接続を常に保証するように特別に設計されており、クエリがデータベース要素の一部である「探索探索」に特に価値がある。
このようなクエリはグラフ検索アルゴリズムに有利な出発点を提供するが、ANNSの文脈では考慮されていないが、レコメンデーションや探索システムには不可欠である。
実験の結果,ANNSの高効率性は必ずしも「探索探索」の優れた性能に必ずしも変換されないことがわかった。
関連論文リスト
- Dynamic Exploration Graph: A Novel Approach for Efficient Nearest Neighbor Search in Evolving Multimedia Datasets [0.0]
本稿では,連続精製探索グラフの拡張である動的探索グラフ(DEG)を紹介する。
DEG設計の中心となる2つの重要な革新は、グラフ接続を保証する新しい削除アルゴリズムと、グラフ拡張のためのデータ分散に依存しない方法である。
ストリーミングとオンラインの両方のシナリオにおける実証実験は、DECの優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-07-30T03:50:40Z) - GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation [47.014599006114594]
GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。
知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。
複数のベンチマーク実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2026-03-26T01:30:22Z) - 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) - FastInsight: Fast and Insightful Retrieval via Fusion Operators for Graph RAG [4.927427162899616]
グラフベースのReranker (GRanker) はグラフモデルベースの検索として機能し、Semantic-Topological eXpansion (S) はベクトルグラフ検索として機能する。
FastInsightは、最先端のベースラインと比較して、検索精度と生成品質の両方を著しく改善する。
論文 参考訳（メタデータ） (2026-01-26T15:23:41Z) - Distance Adaptive Beam Search for Provably Accurate Graph-Based Nearest Neighbor Search [23.208935102841103]
そこで本研究では,ビーム幅に基づくビームサーチのための距離に基づく新しい終端条件を提案する。
探索グラフがナビゲート可能である限り, 得られたアダプティブビームサーチ法は, ほぼ隣り合う問題を解くことが保証されている。
アダプティブビームサーチは、様々なリコール値、データセット、グラフ構造、および最も近い隣人のターゲット数において、標準ビームサーチより優れています。
論文 参考訳（メタデータ） (2025-05-21T15:18:53Z) - A Theoretical Analysis Of Nearest Neighbor Search On Approximate Near
Neighbor Graph [51.880164098926166]
グラフベースのアルゴリズムは、近隣探索(NN-Search)問題において最先端の性能を示す。
グラフベースのNN-Searchアルゴリズムには実践と理論のギャップがある。
低次元および高密度ベクトルに対する ANN-Graph 上の欲求探索による NN-Search の解法を理論的に保証する。
論文 参考訳（メタデータ） (2023-03-10T21:18:34Z) - Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。
我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。
実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文 参考訳（メタデータ） (2022-12-07T22:28:00Z) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-05-31T10:38:04Z) - Edge-featured Graph Neural Architecture Search [131.4361207769865]
最適GNNアーキテクチャを見つけるために,エッジ機能付きグラフニューラルアーキテクチャ探索を提案する。
具体的には、高次表現を学習するためにリッチなエンティティとエッジの更新操作を設計する。
EGNASは、現在最先端の人間設計および検索されたGNNよりも高い性能で、より優れたGNNを検索できることを示す。
論文 参考訳（メタデータ） (2021-09-03T07:53:18Z)
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。