論文の概要: Dynamic Exploration Graph: A Novel Approach for Efficient Nearest Neighbor Search in Evolving Multimedia Datasets
- arxiv url: http://arxiv.org/abs/2607.27640v1
- Date: Thu, 30 Jul 2026 03:50:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.387846
- Title: Dynamic Exploration Graph: A Novel Approach for Efficient Nearest Neighbor Search in Evolving Multimedia Datasets
- Title（参考訳）: 動的探索グラフ: マルチメディアデータセットの効率的な近接探索のための新しいアプローチ
- Abstract要約: 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。
- 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: Approximate Nearest Neighbor Search (ANNS) represents a fundamental problem in various applications (image-search, recommendation systems). While graph-based algorithms have demonstrated a good balance between search accuracy and time, handling dynamic datasets, where data points are continuously added or removed, remains a challenge. This paper introduces the Dynamic Exploration Graph (DEG), an extension of the continuous refining Exploration Graph, which retains high search efficiency for static dataset while adding essential support for dynamic data. At the core of the DEG design are two key innovations: a novel vertex deletion algorithm which guarantees graph connectivity and a data distribution-agnostic method for graph expansion. Through these mechanisms, the DEG maintains a balanced and well-connected structure, even under continuous data alterations. Empirical experiments in both streaming and online scenarios demonstrate the superior performance of the DEG, surpassing existing dynamic graph algorithms in terms of construction time and search efficiency. Although optimized for dynamic datasets, the DEG delivers results as good as current state-of-the-art approaches for static dataset, underscoring its broad applicability.
- Abstract（参考訳）: 近似Nearest Neighbor Search(ANNS)は、様々なアプリケーション(画像検索、レコメンデーションシステム)における基本的な問題である。
グラフベースのアルゴリズムは、検索精度と時間のバランスがよく示されているが、データポイントを継続的に追加または削除する動的なデータセットを扱うことは、依然として課題である。
本稿では、動的データに不可欠なサポートを加えながら、静的データセットの探索効率を高く保ちながら、連続精製探索グラフの拡張であるDynamic Exploration Graph(DEG)を紹介する。
DEG設計の核となる2つの重要な革新は、グラフ接続を保証する新しい頂点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。
これらのメカニズムを通じて、DECは、連続的なデータ変更であっても、バランスよく接続された構造を維持している。
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の優れた性能を示し、建設時間と探索効率の点で既存の動的グラフアルゴリズムを上回っている。
動的データセットに最適化されているにもかかわらず、DECは静的データセットに対する現在の最先端のアプローチと同様に結果を提供する。
関連論文リスト
- An Exploration Graph with Continuous Refinement for Efficient Multimedia Retrieval [0.0]
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。
論文 参考訳（メタデータ） (2026-07-30T03:22:17Z) - Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning [1.3728301825671199]
グラフ構造学習(GSL)と時間グラフ情報ボット(TGIB)を統合する汎用フレームワークを提案する。
ノード近傍を拡張・最適化する2段階のGSL構造拡張器を設計する。
TGIBは、情報ボトルネックの原則を時間グラフに拡張し、エッジと機能の両方を正規化することで、最適化されたグラフを洗練する。
論文 参考訳（メタデータ） (2025-08-20T17:13:19Z) - RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。
RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。
評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
論文 参考訳（メタデータ） (2025-03-25T03:21:48Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - TempoKGAT: A Novel Graph Attention Network Approach for Temporal Graph Analysis [3.5707423185282656]
本稿では,時間遅延重みと空間領域上の選択的な隣接集約機構を組み合わせた新しいタイプのグラフアテンションネットワークであるTempoKGATを提案する。
我々は、時間的データを含む交通、エネルギー、健康セクターから複数のデータセットに対するアプローチを評価する。
論文 参考訳（メタデータ） (2024-08-29T09:54:46Z) - From random-walks to graph-sprints: a low-latency node embedding
framework on continuous-time dynamic graphs [4.372841335228306]
本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。
本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。
グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2023-07-17T12:25:52Z) - Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。
このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
論文 参考訳（メタデータ） (2022-11-30T14:22:01Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
既存の作業は、動的グラフを変更のシーケンスとして見るだけである。
動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。
頂点とエッジのタイムパン
組み込みにはタイムアウェアなTransformerが提案されている。
vertexの動的接続と学習へのToEs。
頂点表現
論文 参考訳（メタデータ） (2022-07-01T15:32:56Z) - Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。
EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文 参考訳（メタデータ） (2021-12-14T22:24:53Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。