論文の概要: CoWalk: Cooperative Walks for Agentic Batch Queries on Disk-Resident Graphs

• arxiv url: http://arxiv.org/abs/2610.38404v1
• Date: Wed, 28 Oct 2026 07:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:42:49.4255
• Title: CoWalk: Cooperative Walks for Agentic Batch Queries on Disk-Resident Graphs
• Title（参考訳）: CoWalk: ディスク常駐グラフ上でのエージェントバッチクエリの協調ウォーク
• Abstract要約: CoWalkは、ひとつのスレッドで共同作業を行うときに、バッチのクエリを実行する。 各クエリは、独自の候補リストを保持し、ページはバッチ毎に1回読み込まれ、フェッチされたページの完全精度ベクトルは、バッチのすべてのクエリによってランク付けされる。
• 参考スコア（独自算出の注目度）: 14.256469090819346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Workloads such as query rewriting, deep research and group-relative policy optimization (GRPO) issue batches of semantically related vector queries. Existing disk-resident approximate nearest neighbor (ANN) systems process these queries independently. On three workloads, 31 to 67 percent of the I/Os of a batch fetch a page that another query of the batch has already fetched. A page cache shared by the batch removes these I/Os, yet it makes a single-thread search only $1.1$ to $1.2{\times}$ faster, because the search time goes to distance computation and the cache does not change the walk of any query. We present CoWalk, which runs the queries of a batch as cooperating walks on one thread. Every query keeps its own candidate list, a page is read once per batch, and the full-precision vector on every fetched page is ranked by every query of the batch. A query therefore reaches the target recall with a shorter candidate list, which computes fewer distances and issues fewer I/Os. At recall@10 of 0.95, CoWalk answers a batch on one thread $1.6$ to $1.9{\times}$ faster than the fastest per-query baseline and issues $2.8$ to $6.9{\times}$ fewer I/Os. On a server it serves $3.0$ to $6.9{\times}$ the throughput of that baseline at a similar batch latency.
• Abstract（参考訳）: クエリ書き換え、ディープリサーチ、グループ相対ポリシー最適化(GRPO)などのワークロードは、意味的に関連するベクトルクエリのバッチを発行する。 既存のディスク常駐ニアニア(ANN)システムは、これらのクエリを独立して処理する。 3つのワークロードでは、バッチのI/Oの31～67パーセントが、バッチの別のクエリがすでに取得したページをフェッチする。 バッチによって共有されるページキャッシュは、これらのI/Oを除去するが、検索時間が距離計算に費やされ、キャッシュがクエリのウォークを変えないため、シングルスレッド検索は1.1ドルから1.2{\times}$高速化される。 CoWalkはバッチのクエリを実行し、ひとつのスレッドで協調動作します。 各クエリは、独自の候補リストを保持し、ページはバッチ毎に1回読み込まれ、フェッチされたページの完全精度ベクトルは、バッチのすべてのクエリによってランク付けされる。 したがって、クエリは、より短い候補リストでターゲットリコールに到達し、より少ない距離とより少ないI/Oを計算します。 0.95のリコール@10で、CoWalkは1スレッドのバッチに1.6ドルから1.9ドル、クエリ毎のベースラインよりも高速で、2.8ドルから6.9ドル、I/Oがより少ない。 サーバ上では、$3.0$から$6.9{\times} で、同じバッチレイテンシでベースラインのスループットを提供する。

関連論文リスト

• SOLO: Certified-Recall Metric Similarity Search with Scan-Only Sampled Inverted Lists [0.0]
  SOLOは逆ファイルであり、語彙はデータベースのランダムなサンプルである。 各オブジェクトの$k_b$近くのサンプルポイントは一度格納され、ランク付けされる。 演算子のクエリのサンプルを渡すと、一度に$(b, k_s) のすべての値が証明され、何も提供されない。
  論文  参考訳（メタデータ） (2026-10-01T19:09:03Z)
• Difficulty-Gated Fusion of Reasoning Views for Temporal Retrieval [22.82938587928396]
  推論集約的な時間的検索は、共有時間的推論に依存している文書とクエリをマッチングする必要がある。 そこで本研究では,問合せに難渋した推論ビューの融合を提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:31:49Z)
• Envy-Free Allocation of Indivisible Goods via Noisy Queries [66.16311857301167]
  エージェントのバリュエーションを直接観察できない、かなり分割不可能な商品を割り当てる問題を導入する。 本手法では,要求されるクエリ数の上限値と上限値の上限値を求める。 我々の上限は、非適応的なクエリと計算時間で実行される単純なしきい値に基づくアロケーションアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2026-02-06T03:44:40Z)
• LLM Cache Bandit Revisited: Addressing Query Heterogeneity for Cost-Effective LLM Inference [87.57291812372848]
  我々は、最適なキャッシュ選択をknapsack問題として扱い、計算オーバーヘッドとキャッシュ更新のバランスをとるために蓄積ベースの戦略を用いる。 我々のアルゴリズムの後悔は$O(sqrtMNT)$boundを達成し、バークレーの$O(MNsqrtT)$と比較して$sqrtMN$の係数を改善することを証明している。 問題に依存したバウンダリも提供しています。
  論文  参考訳（メタデータ） (2025-09-19T01:39:08Z)
• ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
  Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。 我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
  論文  参考訳（メタデータ） (2025-06-17T11:08:29Z)
• TreeHop: Generate and Filter Next Query Embeddings Efficiently for Multi-hop Question Answering [27.37434534716611]
  TreeHopはマルチホップ質問応答のための埋め込みレベルのフレームワークである。 TreeHopはクエリの埋め込みを動的に更新する。 TreeHopは、知識集約型アプリケーションにデプロイするための、より速く、よりコスト効率の良いソリューションです。
  論文  参考訳（メタデータ） (2025-04-28T01:56:31Z)
• JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
  結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。 木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
  論文  参考訳（メタデータ） (2023-07-21T17:00:06Z)
• How to Query An Oracle? Efficient Strategies to Label Data [59.89900843097016]
  機械学習におけるデータセットのラベル付けに専門家の託宣を照会する際の基本的な問題について考察する。 本稿では,サンプルをラベル付けするために,ラウンド・バイ・ラウンドでランダム化されたバッチアルゴリズムを提案し,クエリレートが$O(fracNk2)$であることを示す。 さらに,適応型グリージークエリ方式を提案し,三重項クエリを用いたサンプルあたり平均$approx 0.2N$クエリを実現する。
  論文  参考訳（メタデータ） (2021-10-05T20:15:35Z)
• The Sparse Vector Technique, Revisited [67.57692396665915]
  我々は、微分プライバシーの文献において最も基礎的で広く適用可能なテクニックの1つを再考する。 この単純なアルゴリズムは、データベース上のあるクエリの値が、私たちが期待している値に近いかどうかをプライベートにテストします。 一つの個人が過剰なクエリの回答に寄与しない限り、クエリのテストを継続できる代替の、等しくシンプルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:50:52Z)

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。