論文の概要: Holo-NN: Holographic Nearest Neighbor Search via Compressive Sensing

• arxiv url: http://arxiv.org/abs/2610.33224v1
• Date: Fri, 23 Oct 2026 19:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.276761
• Title: Holo-NN: Holographic Nearest Neighbor Search via Compressive Sensing
• Title（参考訳）: Holo-NN: 圧縮センシングによる最近傍のホログラフィック検索
• Abstract要約: Holo-NNは、データ依存の分岐を単一のリニアプロジェクションで置き換えるフレームワークである。 クエリ時には、暗号化された検索は単一の非対話的行列ベクトル乗法に還元される。 これにより、プライベート検索は恥ずかしいほど並列で精度に問題のある計算になる。
• 参考スコア（独自算出の注目度）: 0.06521373787533104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the age of AI, privacy-preserving approximate nearest neighbor (ANN) search over high-dimensional embeddings has emerged as a critical yet frustratingly challenging domain, dominated by tradeoffs between speed, privacy, and accuracy. Traditional tree and graph-based indexing structures (e.g., HNSW, ScaNN) rely fundamentally on non-linear operations that are computationally intractable under Fully Homomorphic Encryption (FHE) or blind server-side constraints. In this paper, we introduce Holo-NN (Holographic Nearest Neighbor Search), an algebraic framework that replaces data-dependent branching with a single linear projection. Our key observation is that while distances across a database are dense, neighborhood membership is inherently sparse: only a handful of points ever lie close to a query. By pairing locality-preserving feature transforms with Compressive Sensing, Holo-NN folds the entire database offline into a compact holographic sensing matrix. At query time, encrypted search reduces to a single, non-interactive matrix-vector multiplication---requiring no FHE bootstrapping, no multi-round interaction, and no client-side index state. This turns private retrieval into an embarrassingly parallel, accuracy-tunable computation that runs out of the box on both CPUs and GPUs, scaling efficiently to production databases. We offer a comparison against other state-of-the-art Private ANN algorithms to help situate the method in the broader context of production-grade private retrieval.
• Abstract（参考訳）: AIの時代には、高次元の埋め込みに対するプライバシー保護に近い近接した隣人(ANN)の検索は、スピード、プライバシー、正確さのトレードオフによって支配される、重要かつフラストレーションに富んだドメインとして現れてきた。 伝統的なツリーとグラフベースのインデックス構造(例えば、HNSW、ScaNN)は、基本的に、FHE(Fully Homomorphic Encryption)やブラインドサーバ側の制約の下で計算的に計算可能な非線形演算に依存している。 本稿では,データ依存分岐を1つの線形射影で置き換える代数的フレームワークであるHolo-NN(Holographic Nearest Neighbor Search)を紹介する。 私たちのキーとなる観察は、データベースを横断する距離は密度が高いが、近隣のメンバシップは本質的に疎いということです。 局所性保存機能変換を圧縮センシングと組み合わせることで、Holo-NNはデータベース全体をオフラインでホログラムセンシングマトリックスに折り畳む。 クエリ時に、暗号化された検索は、単一の非インタラクティブなマトリックス-ベクター乗算に還元される。 これにより、プライベート検索は恥ずかしいほど並列で精度の悪い計算になり、CPUとGPUの両方で実行できなくなり、プロダクションデータベースに効率よくスケールする。 我々は,他の最先端のPrivate ANNアルゴリズムとの比較を行い,本手法をプロダクショングレードのプライベート検索のより広い文脈で活用することを支援する。

関連論文リスト

• MESS: Fast and Private Semantic Search on Multi-Graph HNSW [11.990611521434944]
  プライバシ,正確性,効率性の3つの特性を持つ検索システムであるMESSを紹介する。 元のベクトルをバイナリコードにマッピングし、ローカリティ・センシティブなハッシュ(LSH)とランダムな応答を適用し、多グラフ階層ナビゲート可能な小型世界(HNSW)インデックスを摂動コード上に構築する。 MESSは、最先端のベースラインよりも最大15.08タイムのレイテンシを実現する。
  論文  参考訳（メタデータ） (2026-07-31T03:53:24Z)
• Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
  粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。 局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。 粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2026-05-13T05:24:35Z)
• Efficient Sketching and Nearest Neighbor Search Algorithms for Sparse Vector Sets [16.768212375976546]
  スパースANNSのための新しいデータ構造とアルゴリズム手法を提案する。 我々の貢献は、スパースベクトルに対する理論的に基底化されたスケッチアルゴリズムから、それらの有効次元を減少させるものまで様々である。 我々の最終アルゴリズムは耐震性と呼ばれ、大規模ベンチマークデータセット上で高精度でミリ秒以下のレイテンシに達する。
  論文  参考訳（メタデータ） (2025-09-29T14:02:45Z)
• k-NNN: Nearest Neighbors of Neighbors for Anomaly Detection [20.204147875108976]
  異常検出は、標準から大きく逸脱した画像を特定することを目的としている。 埋め込み空間における特徴の様々な構造と重要性を考慮に入れた新しい演算子を提案する。 既存のアルゴリズムに最も近いコンポーネントをk-NNN演算子に置き換えるだけで、残りのアルゴリズムに手を加えずに、各アルゴリズムの処理結果を改善できることが示される。
  論文  参考訳（メタデータ） (2023-05-28T11:39:51Z)
• 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)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
  行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。 我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T17:31:34Z)
• Non-Local Spatial Propagation Network for Depth Completion [82.60915972250706]
  本研究では,深度完了のための堅牢で効率的な非局所的空間伝搬ネットワークを提案する。 提案するネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的近傍とその親和性を推定する。 提案アルゴリズムは,混合深度問題に対する深度補完精度とロバスト性の観点から,従来のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-20T12:26:51Z)
• A One-Pass Private Sketch for Most Machine Learning Tasks [48.17461258268463]
  差別化プライバシ(DP)は、正式な証明可能な保証を通じて、プライバシとユーティリティのトレードオフを説明する魅力的なプライバシ定義である。 本稿では,回帰,分類,密度推定など,多数の機械学習タスクをサポートするプライベートスケッチを提案する。 このスケッチは,局所性に敏感なハッシュをインデックス化して,効率的なワンパスアルゴリズムで構築したランダムな一致テーブルで構成されている。
  論文  参考訳（メタデータ） (2020-06-16T17:47:48Z)
• A new hashing based nearest neighbors selection technique for big datasets [14.962398031252063]
  本稿では, 観測対象の近傍に直接近接する近隣住民の選別を可能にする新しい手法を提案する。 提案手法は,データ空間上に構築された仮想グリッドのサブセルにデータ空間を分割する。 提案アルゴリズムは,元のKNNよりも時間効率が良く,予測品質もKNNと同等である。
  論文  参考訳（メタデータ） (2020-04-05T19:36:00Z)

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。