論文の概要: NeuRoute: Logit-Guided Neural Routing for Billion-Scale Vector Search with Sub-Hour Index Construction

• arxiv url: http://arxiv.org/abs/2608.15438v1
• Date: Sat, 15 Aug 2026 22:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.299827
• Title: NeuRoute: Logit-Guided Neural Routing for Billion-Scale Vector Search with Sub-Hour Index Construction
• Title（参考訳）: NeuRoute:サブ時間インデックス構築による数十億ドル規模のベクトル探索のためのロジトガイド型ニューラルルーティング
• Abstract要約: NeuRouteは学習されたハッシュインデックスで、短いバイナリコードを大規模なベクトル探索のための効果的なルーティングプリミティブに変換する。 NeuRouteは、選択的な類似性保存目的を持つ軽量ニューラルネットワークエンコーダをトレーニングし、バランスの取れたバイナリアドレスを生成する。
• 参考スコア（独自算出の注目度）: 6.022622976208937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building approximate nearest neighbor (ANN) indexes at billion scale is often dominated by expensive global clustering or graph construction, making time-to-index a first-order systems concern. We present NeuRoute, a learned hashing index that turns short binary codes into an effective routing primitive for large-scale vector search. NeuRoute trains a lightweight neural network encoder with a selective similarity-preserving objective to produce well-balanced binary addresses. During construction, NeuRoute organizes vectors into buckets by their codes and performs bucket-local clustering in the encoder's low-dimensional space to form centroids. At query time, NeuRoute exploits the encoder logits as an uncertainty signal: it uses deviation-to-threshold scores to prioritize uncertain-bit perturbations for query-adaptive multi-bucket probing, scores bucket-local centroids by their distances to the query to form a compact candidate cluster set, and applies centroid-stage gating with heap-quality-driven early stopping to prune low-value clusters before exact refinement. On billion-scale benchmarks, NeuRoute achieves strong accuracy-throughput trade-offs with fast index construction: on BigANN-1B it reaches $90.3\%$ Recall@10 at 2,414 QPS and is $1.7\times$ faster than OPQ+IVF-PQ (refine) at comparable accuracy, while completing end-to-end training+construction in under an hour on both BigANN-1B and Deep1B-1B. These results show that logit-guided neural routing can make hashing competitive as a lightweight ANN indexing framework at billion scale. Source code and artifacts are available at https://github.com/XingqiaoWang/NeuRoute.
• Abstract（参考訳）: 数十億の規模で近接する隣り合うインデックス(ANN)を構築することは、しばしば高価なグローバルクラスタリングやグラフ構築によって支配される。 我々は、短いバイナリコードを大規模ベクトル探索のための効果的なルーティングプリミティブに変換する学習ハッシュインデックスであるNeuRouteを提案する。 NeuRouteは、選択的な類似性保存目的を持つ軽量ニューラルネットワークエンコーダをトレーニングし、バランスの取れたバイナリアドレスを生成する。 建設中、NeuRouteはベクトルをコードでバケットに整理し、エンコーダの低次元空間でバケット局所クラスタリングを行い、セントロイドを形成する。 クエリ時において、NeuRouteはエンコーダログを不確実性信号として利用し、クエリ適応型マルチバケット探索のための不確実なビット摂動の優先順位付けに偏差-閾値スコアを使用し、クエリまでの距離でバケットローカルなセントロイドをスコアし、コンパクトな候補クラスタを形成する。 BigANN-1Bでは、Recall@10が2,414 QPSで90.3\%、OPQ+IVF-PQ(refine)よりも17\times$が1.7\times(refine)で、BigANN-1BとDeep1B-1Bの両方で1時間以内でエンドツーエンドのトレーニング+コンストラクションを完了している。 これらの結果から,ロジット誘導型ニューラルルーティングは,数十億規模で軽量なANNインデックスフレームワークとしてハッシングを競合させる可能性が示唆された。 ソースコードとアーティファクトはhttps://github.com/XingqiaoWang/NeuRoute.comで入手できる。

関連論文リスト

• Efficient and Trainable Language Model Test-Time Scaling via Local Branch Routing [65.59464371673623]
  Local Branch Routing (LBR)はトークンレベルのテストタイムスケーリングフレームワークである。 小さなローカルなルックアヘッドツリーを拡張し、言語モデルを通じてすべてのサンプルブランチを転送し、軽量ルータを使用してコミットするdeep-1サブツリーを選択する。 LBRにより、各トークン決定は、完全なソリューションレベルの検索を避けながら、ルート次トーケン分布を超えるエビデンスを使用することができる。
  論文  参考訳（メタデータ） (2026-06-24T03:42:44Z)
• PiPNN: Ultra-Scalable Graph-Based Nearest Neighbor Indexing [6.243421401579046]
  PiPNNは、既存のグラフベースの手法が抱える「検索ボトルネック」を回避する、超スケーラブルグラフ構築アルゴリズムである。 HashPruneは、データセットを重複するサブプロブレムに分割し、バルク距離比較を効率的に実行し、エッジのサブセットをHashPruneにストリームすることを可能にする。 PiPNNはVamanaよりも最大11.6倍、HNSWより最大12.9倍高速な最先端インデックスを構築している。
  論文  参考訳（メタデータ） (2026-02-17T02:18:17Z)
• OrchANN: A Unified I/O Orchestration Framework for Skewed Out-of-Core Vector Search [38.2797436367431]
  数十億ドル規模の近似近接探索(ANNS)は、基本的には中核的な問題である。 我々は、統一されたI/OガバナンスにI/Oオーケストレーションモデルを使用する、アウトオブコアANNSエンジンであるOrchANNを紹介する。
  論文  参考訳（メタデータ） (2025-12-28T08:42:38Z)
• 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)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• Neural Architecture Search: Two Constant Shared Weights Initialisations [0.0]
  エプシナス(Epsinas)は、2つの一定の共有重み付け初期化とそれらの出力統計を用いてアーキテクチャポテンシャルを評価する新しいゼロコストNAS計量である。 平均等級で正規化された原出力の分散は、訓練された精度と強く相関していることを示す。 我々の計算では、データラベルは必要とせず、単一のミニバッチで動作し、勾配の必要がなくなる。
  論文  参考訳（メタデータ） (2023-02-09T02:25:38Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)
• Neural Architecture Search via Bregman Iterations [1.7778609937758323]
  本稿では,Bregman反復に基づくニューラルアーキテクチャ探索(NAS)の新たな戦略を提案する。 我々の勾配に基づくワンショットアルゴリズムは、徐々に、逆スケール空間の方法で関連するパラメータを追加する。
  論文  参考訳（メタデータ） (2021-06-04T13:37:47Z)
• IRLI: Iterative Re-partitioning for Learning to Index [104.72641345738425]
  分散環境でのロードバランスとスケーラビリティを維持しながら、高い精度を得る方法とのトレードオフが必要だ。 クエリ項目関連データから直接バケットを学習することで、アイテムを反復的に分割するIRLIと呼ばれる新しいアプローチを提案する。 我々は,irliが極めて自然な仮定の下で高い確率で正しい項目を検索し,優れた負荷分散を実現することを数学的に示す。
  論文  参考訳（メタデータ） (2021-03-17T23:13:25Z)
• Cluster-and-Conquer: When Randomness Meets Graph Locality [0.0]
  最も効率的なKNNグラフアルゴリズムのいくつかはインクリメンタルで局所的なものである。 Cluster-and-Conquerは、greedyアルゴリズムの開始構成を強化します。
  論文  参考訳（メタデータ） (2020-10-22T07:31:12Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)

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。