論文の概要: Index-Free Dynamic Edge Retrieval with Energy-Tail-Aware Partial Scans
- arxiv url: http://arxiv.org/abs/2609.01820v1
- Date: Tue, 01 Sep 2026 19:53:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.968348
- Title: Index-Free Dynamic Edge Retrieval with Energy-Tail-Aware Partial Scans
- Title（参考訳）: エネルギーを意識した部分スコープによるインデックスフリーな動的エッジ検索
- Authors: Mohammad Arif Rasyidi, Omar Alhussein,
- Abstract要約: ETARは、単純な更新を保存しながらクエリ作業を削減するインデックスフリーのメソッドである。
平均99.2%のRecall@10で、トップ10の正確な結果のごく一部が回収された。
ETARは4つの合成ディストリビューションで最大6.9$times$高速である。
- 参考スコア（独自算出の注目度）: 0.45835414225547183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic maximum inner-product search (MIPS) returns the $K$ stored vectors with the largest dot products with a query while allowing the dataset to change through insertions, replacements, and deletions. For edge retrieval, the challenge is to achieve high recall and fast queries without making updates expensive. Full-vector scanning keeps updates simple but compares each query with every stored vector, while indexed methods reduce query cost at the expense of maintaining additional structures during updates. We propose ETAR, an index-free method that reduces query work while preserving simple updates. ETAR keeps the query coordinates with the largest squared values until they cover most of its total squared magnitude and treats the rest as a low-magnitude tail. It estimates similarity from the retained coordinates using a compact lower-precision representation, corrects for skipped coordinates, and reranks a fixed number of candidates using full-precision vectors. Across five runs on nine static datasets, ETAR averages 99.2% Recall@10, the fraction of exact top-10 results recovered, while running over 4$\times$ faster than exact scanning at a representative setting. This speedup also extends to an ARM-based mobile device, where ETAR is up to 6.9$\times$ faster across four synthetic distributions. Under five streaming workloads, it maintains 100% Recall@10 at every measured point without index rebuilds. Overall, ETAR offers a practical middle ground for dynamic MIPS by reducing query cost while retaining simple, index-free updates. Code is available at https://github.com/arasyi/etar-mips.
- Abstract（参考訳）: 動的最大内積探索(MIPS)は、クエリで最大のドット製品を持つ$K$ストアドベクターを返却し、挿入、置換、削除を通じてデータセットの変更を可能にする。
エッジ検索では、更新を高価にすることなく、高速なリコールと高速なクエリを実現することが課題である。
フルベクタースキャンは、更新をシンプルに保ちながら、各クエリをすべての格納ベクターと比較する。
本稿では,単純な更新を保存しながらクエリ作業を削減するインデックスフリー手法ETARを提案する。
ETARは、クエリ座標を最大2乗値で保持し、その総平方度の大部分をカバーし、残りを低マグニチュードのテールとして扱う。
コンパクトな低精度表現を用いて保持された座標から類似性を推定し、スキップされた座標を補正し、完全精度ベクトルを用いて固定数の候補を再帰する。
ETARの平均値99.2%のRecall@10は、正確なトップ10結果のごく一部を回収すると同時に、代表設定での正確なスキャンよりも4$\times$以上高速に実行される。
このスピードアップはARMベースのモバイルデバイスにも拡張され、ETARは4つの合成ディストリビューションで最大6.9$\times$高速である。
5つのストリーミングワークロードの下では、インデックスの再構築なしに、測定ポイント毎に100%Recall@10を維持できる。
ETARは、単純なインデックスなし更新を維持しながらクエリコストを削減し、動的MIPSの実用的な中間層を提供する。
コードはhttps://github.com/arasyi/etar-mips.comから入手できる。
関連論文リスト
- Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization [13.137370980012525]
TTT-Embedは、冷凍モデルの出力埋め込み空間内の学習ベクトルにランキング報酬を蒸留するフレームワークである。
単一のスコープパラメータが再利用(グローバル、タスク、クエリ)を制御し、固定された報酬計算予算の下で再利用可能性と特異性の間の原則的なトレードオフを可能にする。
論文 参考訳（メタデータ） (2026-08-12T20:24:57Z) - Recall Before You Rank: Similarity-Guided Top-$K$ Reuse for Efficient Long-Context Attention [4.6833133124119275]
ReTopKは、歴史的検索決定を再利用することで、動的Top-$Kの注意を加速するトレーニングフリーの手法である。
128Kが$K=512$で、ReTopKはExact Top-K$よりも0.50%のパープレキシティアップしか得られず、注意計算は$3.07times$で加速する。
論文 参考訳（メタデータ） (2026-07-30T05:25:23Z) - Planning over Matrix-Factorization MDPs for Candidate Generation [0.0]
我々は、暗黙のALS後段$(A-1,u)$に対して、トップ$K$検索をMDPとしてキャストすることを提案する。
ワンステップのルックアヘッドはすでに利益のほとんどを捉えているので、軽量のプランニング層は静的のトップ$K$スコアを短い決定に切り替える。
論文 参考訳（メタデータ） (2026-07-02T12:50:45Z) - Neural Scalable Symbolic Search Framework for Complex Logical Queries with Multiple Free Variables [55.952069550106906]
複雑クエリアンサーリング(CQA)は、不完全知識グラフ(KG)上の基本的な知識表現と推論タスクである
ここで$mathcalEk$はKGのエンティティセットを表す。
既存のベンチマークとメソッドは、個々の変数よりも限界ランクに依存している。
我々は、$mathcalEk$を列挙することなく、共同ランキングを近似するフレームワークであるNeural Scalable Symbolic Search (NS3)を提案する。
論文 参考訳（メタデータ） (2026-05-25T16:04:57Z) - A Parametric Memory Head for Continual Generative Retrieval [52.66674234249913]
生成情報検索(GenIR)は、検索を単一のニューラルモデルに統合し、クエリから直接ドキュメント識別子(ドシデント)をデコードする。
逐次適応は、新たに追加された文書の検索を改善するが、以前のスライスの性能は著しく低下することを示す。
本稿では,モジュール型パラメトリックメモリヘッドで適応モデルを拡張するメモリのみの安定化ステージである,後適応メモリチューニング(PAMT)を提案する。
論文 参考訳（メタデータ） (2026-04-25T17:38:51Z) - Multiple Index Merge for Approximate Nearest Neighbor Search [14.386466486046814]
本稿では、AKNN検索のための効率的な2次元統合と複数のインデックスのマージ順序について述べる。
本稿では,構造情報を活用してマージ効率を向上させるリバース隣り合うスライディング・マージ(RNSM)を提案する。
実験の結果,既存のインデックスマージ法よりも5.48$times$スピードアップ,9.92$times$インデックス再構成よりも9.92$times$スピードアップが得られた。
論文 参考訳（メタデータ） (2026-02-19T05:50:34Z) - A Dynamic Retrieval-Augmented Generation System with Selective Memory and Remembrance [0.0]
Emph Adaptive RAG Memory (ARM) は,静的ベクトルインデックスをEmphdynamicメモリ基板に置き換える検索拡張生成(RAG)フレームワークである。
ARMは、軽量な検索ベンチマークで最先端のパフォーマンスに近づいた。
ARMは、ジェネレータカラーブラックを再トレーニングすることなく、競合精度、自己正規化メモリ成長、解釈可能な保持ダイナミクスを出力し、生産・研究RAGシステムの品質、レイテンシ、メモリ効率のトレードオフを実践する。
論文 参考訳（メタデータ） (2026-01-04T21:51:41Z) - MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。
それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。
我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
論文 参考訳（メタデータ） (2025-11-04T18:27:39Z) - HiRE: High Recall Approximate Top-$k$ Estimation for Efficient LLM
Inference [68.59839755875252]
HiREは2つの新しいコンポーネントから構成される: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (ii) DA-TOP-$k$: 効率的なマルチデバイス近似トップ-k$演算子) (i) (i) (i) (i) (i) (i) (i) DA-TOP-$k$演算子) 。
我々は、10億のパラメータモデルにおいて、HiREがソフトマックスとフィードフォワード層の両方に適用され、ほぼ一致した事前学習と下流の精度を実現し、1台のTPUv5eデバイスで1.47Times$の推論遅延を高速化することを示した。
論文 参考訳（メタデータ） (2024-02-14T18:04:36Z) - Injecting Domain Adaptation with Learning-to-hash for Effective and
Efficient Zero-shot Dense Retrieval [49.98615945702959]
我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。
以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
論文 参考訳（メタデータ） (2022-05-23T17:53:44Z) - 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)
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。