論文の概要: A Versioned Unified Graph Index for Dynamic Timestamp-Aware Nearest Neighbor Search
- arxiv url: http://arxiv.org/abs/2608.27663v1
- Date: Thu, 27 Aug 2026 19:51:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.137607
- Title: A Versioned Unified Graph Index for Dynamic Timestamp-Aware Nearest Neighbor Search
- Title（参考訳）: 動的タイムスタンプを考慮した近傍探索のための一元グラフのバージョニング
- Abstract要約: TiGERは、動的ベクトルデータセット上の近接探索を高速に実行するための新しいアプローチである。
提案アルゴリズムは,統合バージョン接続に基づくインデックス構造を利用して,すべてのベクトルに対して統一的なグラフを構築し,維持する。
- 参考スコア（独自算出の注目度）: 4.414455125136369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present TiGER (Time-Integrated Graph for Efficient Retrieval), a novel approach for performing fast time-aware approximate nearest neighbor searches on dynamic vector datasets with flexibility over any possible time range. Our proposed algorithm builds and maintains a unified graph for all vectors by leveraging an index structure based on integrated versioned connectivity, allowing arbitrary time intervals to be queried directly on the unified graph without having to traverse invalid vectors. This forgoes the need for post-search filtering or merging, or separate graphs for each possible composite range. Empirical evaluations show that our method attains up to a 5x improvement in queries per second (QPS) without compromising accuracy over baselines based on filtering or per-time-segment sub-graphs. We believe that this method will enable efficient temporal analysis across evolving datasets in real-time recommendation systems, log analysis, and any scenario requiring fast similarity search over dynamic, time-segmented data.
- Abstract（参考訳）: 我々は,任意の時間範囲に柔軟性を持つ動的ベクトルデータセット上で,高速な時間認識近傍探索を行うための新しい手法であるTiGER(Time-Integrated Graph for Efficient Retrieval)を提案する。
提案アルゴリズムは,統合バージョン接続に基づくインデックス構造を利用して,全てのベクトルに対する統一グラフを構築し,維持する。
これにより、検索後フィルタリングやマージ、および可能な合成範囲ごとにグラフを分離する必要がなくなる。
提案手法は,フィルタや時間単位のサブグラフに基づいて,ベースラインの精度を損なうことなく,1秒あたりのクエリを最大5倍改善することを示す。
本研究では,リアルタイムレコメンデーションシステム,ログ解析,動的・時間分割データよりも高速な類似性探索を必要とする任意のシナリオにおいて,進化するデータセット間の時間的効率的な解析を可能にすると信じている。
関連論文リスト
- Unified Dominance Graph for Interval-Predicate Approximate Nearest Neighbor Search [8.875776605139185]
我々は、オブジェクト間隔とクエリ間隔の間の述語によって妥当性が決定されるInterval-Predicate ANNSについて検討する。
既存のレンジフィルタANNS法は1次元スカラーフィルタのために設計されている。
We propose the Unified Dominance Graph (UDG) a graph-indexing framework for the closed two-bound conjunctive fragment of IPANNS。
論文 参考訳（メタデータ） (2026-06-23T06:46:28Z) - CubeGraph: Efficient Retrieval-Augmented Generation for Spatial and Temporal Data [11.878755010092922]
CubeGraphは任意の空間制約でベクトル探索を統合するように設計されたフレームワークである。
クエリ実行中、CubeGraphは、空間セルがクエリフィルタと交差するたびに、隣接する立方体レベルのインデックスをフライで縫合する。
論文 参考訳（メタデータ） (2026-04-08T02:49:55Z) - 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) - Filtered Approximate Nearest Neighbor Search in Vector Databases: System Design and Performance Analysis [0.5249805590164902]
Filtered Approximate Nearest Neighbor Search (FANNS) は、セマンティック検索とメタデータの制約を組み合わせるために用いられる。
本研究では,フィルタリング戦略の分類を体系化し,それらのベクトルへの統合性を評価する。
実験の結果,エンジン内のアルゴリズム適応がしばしば生のインデックス性能を上回ることがわかった。
論文 参考訳（メタデータ） (2026-02-11T23:40:26Z) - Curator: Efficient Vector Search with Low-Selectivity Filters [12.774238654446032]
グラフベースのインデックスは、未フィルタリングANNSでは最先端のパフォーマンスを実現するが、低選択性フィルタリングクエリでは接続性の低下に遭遇する。
近年の研究では、グラフ度を拡大することでこの問題に対処するグラフインデックスが提案されている。
低選択性フィルタANNSに対する既存のグラフベースのアプローチを補完する分割型インデックスであるCuratorを提案する。
論文 参考訳（メタデータ） (2026-01-03T21:35:01Z) - TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting [87.71846357354384]
時系列予測手法は一般的に,Channel Independent(CI)とChannel Dependent(CD)の2つの主要なカテゴリに分類される。
チャネルクラスタリング(CC)の最近の進歩は、類似した特性を持つチャネルをグループ化することで依存性モデリングを洗練することを目的としている。
我々は、適応的できめ細かい依存性モデリングのためのGNNベースのフレームワークであるTimeFilterを提案する。
論文 参考訳（メタデータ） (2025-01-22T17:40:17Z) - 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) - Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。
エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。
本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
論文 参考訳（メタデータ） (2023-11-03T16:50:26Z) - Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。
各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。
TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文 参考訳（メタデータ） (2023-07-03T13:58:20Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳（メタデータ） (2022-01-25T00:10:03Z) - 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) - A Hybrid Approach to Temporal Pattern Matching [2.5001363890681336]
本稿では,構造と時間に基づく潜在的マッチングを効果的にフィルタリングするハイブリッド手法を提案する。
提案手法の効率性を示す実データを用いて実験を行った。
論文 参考訳（メタデータ） (2020-01-06T16:52:44Z)
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。