論文の概要: Fidelity Synopses: Pre-Execution Plan Selection for Approximate Vector Search

• arxiv url: http://arxiv.org/abs/2610.41407v1
• Date: Fri, 30 Oct 2026 08:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.656853
• Title: Fidelity Synopses: Pre-Execution Plan Selection for Approximate Vector Search
• Title（参考訳）: Fidelity Synopses: 近似ベクトル探索のための事前実行計画の選択
• Abstract要約: 本稿では,検索クエリの実行コストについて検討する。 これを実行するには、各構成の忠実度を予測する必要がある。 フィデリティシンプシスは、埋め込み空間を一連のランドマークとレコードの周囲のセルに分割し、すべてのセルと構成に対して、その構成がクエリのサンプルに対してフィデリティターゲットを満たす頻度を計測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vector search has become a database operator with many physical implementations: different index families, build-time and search-time parameters, and compressed or disk-resident variants. Each trades cost against fidelity, the fraction of a query's exact top-k nearest neighbors that a configuration returns. Deployments nevertheless choose one configuration offline and use it for every query, so they are sized for their hardest queries and overpay for the rest. On a 5.8M-item LAION benchmark with four embedding models, running each query on the cheapest configuration that suffices for it would roughly halve the cost in a typical setting. Exploiting this requires predicting each configuration's fidelity before running it, which is hard because fidelity is defined by the very exact search that approximate indexes avoid. Relational optimizers solve the analogous problem for cardinality with offline synopses; we propose one for vector search. A fidelity synopsis divides the embedding space into cells around a set of landmarks and records, for every cell and configuration, how often that configuration met a fidelity target on a sample of queries. At query time, one nearest-landmark lookup yields a calibrated estimate for every configuration, and an optimizer chooses configurations so that the workload misses the target no more often than its requirement allows. We test the two premises the synopsis relies on, that fidelity varies smoothly across the embedding space and that its loss is specific to each configuration. Held to the same requirement a static deployment is built to meet, synopsis-guided selection lowers cost in all 16 combinations of model and query direction, to a median of 0.72x the static deployment, with a batched lookup of 21-32 microseconds per query. The saving persists against the best static choice among the same indexes, and within a single index at no extra memory.
• Abstract（参考訳）: ベクトルサーチは、さまざまなインデックスファミリ、ビルド時間と検索時間パラメータ、圧縮またはディスク常駐の変種など、多くの物理実装を持つデータベースオペレータとなった。 それぞれの取引は、設定が返されるクエリの正確なトップk隣人の割合であるフィリティに対してコストがかかる。 デプロイは、オフラインで1つの設定を選択し、クエリ毎にそれを使用するため、最も厳しいクエリに対してサイズが設定され、残りはオーバーペイされる。 5.8M の LAION ベンチマークでは、4つの埋め込みモデルがあり、それぞれのクエリを最も安価な構成で実行することで、典型的な設定で約半分のコストがかかる。 これを実行するには、各構成の忠実度を予測する必要があるが、これは、近似インデックスが避ける非常に正確な探索によって、忠実度を定義することが難しいためである。 リレーショナルオプティマイザは、オフラインのシナプスによる濃度の類似問題を解く。 フィデリティシンプシスは、埋め込み空間を一連のランドマークとレコードの周囲のセルに分割し、すべてのセルと構成に対して、その構成がクエリのサンプルに対してフィデリティターゲットを満たす頻度を計測する。 クエリ時に、最も近いランドマークのルックアップが各構成に対してキャリブレーションされた見積もりを出力し、オプティマイザが設定を選択して、ワークロードが要求以上の頻度でターゲットを見逃すようにする。 合成が依存する2つの前提を検証し、埋め込み空間全体で忠実度はスムーズに変化し、その損失は各構成に比例することを示した。 同じ要件に従って、静的デプロイメントが構築され、シンプシス誘導の選択により、16のモデルとクエリ方向の組み合わせのコストが低下し、静的デプロイメントの中央値が0.72倍、バッチ化されたクエリ毎21～32マイクロ秒になる。 保存は、同じインデックスの中で最高の静的選択や、余分なメモリを持たない単一のインデックスに対して持続する。

関連論文リスト

• Nominate-then-Adjudicate: LLM-Assisted One-Pass and Per-Instance MIP Solver Tuning [11.373218182238595]
  混合整数プログラミングは、インスタンス毎に最適な設定が変化する数百から数千のパラメータを公開します。 本稿では,2つの設計選択に基いて構築された有望なアジュディケートパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-10-21T08:19:53Z)
• Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search [54.48124421246385]
  現在の視覚言語レトリバーは、コーパスサイズとともに成長し、スケールすることができないクエリ時間コストを発生させる。 本稿では,検索性能を徹底検索から分離する2トラック検索フレームワークSCOUTを提案する。 SCOUTを4つの主要なベンチマークで評価し、最高のベースラインに対して80.7倍(平均28.8倍)のクエリ時間遅延改善を観測した。
  論文  参考訳（メタデータ） (2026-10-14T15:40:27Z)
• Agentic AutoRAG: RAG Pipeline Optimization through Reasoning-Driven Agents [1.0112913394578702]
  Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)を外部知識でグラウンド化するための広く使われているアプローチである。 本稿では,多目的最適化のためのLLMエージェントであるAgentic AutoRAGを紹介する。 各試験の後、ダイアグノーサーは、失敗した各質問を検索または生成に属性付け、モデルランキングと価格の知識ベースに基づくプロポーラが次の設定を選択する。
  論文  参考訳（メタデータ） (2026-10-06T14:38:15Z)
• VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding [98.11639588256874]
  VideoTapestryはトレーニング不要のマルチエージェントフレームワークで、粗大でクエリ駆動の洗練を通じて階層的なビデオメモリに適応する。 VideoTapestryの精度は17.2%、14.9%、9.8%、Benchは7.0%、LongVideoBench(Long Ego)、Video-MME(Long Ego)、Video-MME(Long Ego)である。
  論文  参考訳（メタデータ） (2026-10-05T16:44:25Z)
• EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy [50.665874114632]
  我々は、完全な応答レベルの検証ワークフローを統一ポリシーとして制御することを学ぶ、エンドツーエンドのエージェント検証であるEAVerを紹介する。 EAVerはセマンティック関連クレームをグループ化し、信頼に基づいた直接検証やターゲット検索にルートし、コンパクトなインコンテキストメモで検索によって返される証拠を保持する。
  論文  参考訳（メタデータ） (2026-09-02T21:00:35Z)
• InferenceBench: A Benchmark for Open-Ended LLM Inference Optimization by AI Agents [15.892896819368751]
  InferenceBenchでは、エージェントがOpenAI互換の推論サーバをデプロイし、LLM推論の速度を最適化する必要がある。 3つの最適化シナリオは、推論のボトルネックを区別する。 エージェントは、単純なPyTorchベースラインよりも確実に改善する。 全体としてInferenceBenchは、エージェントがオープンなAIエンジニアリング環境で操作できることを反映している。
  論文  参考訳（メタデータ） (2026-05-20T15:55:21Z)
• 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)
• Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
  我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。 CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
  論文  参考訳（メタデータ） (2025-08-17T20:16:44Z)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)
• Group Testing for Accurate and Efficient Range-Based Near Neighbor Search for Plagiarism Detection [2.3814052021083354]
  本研究は, 近接探索問題に対する適応型群検定フレームワークを提案する。 本研究では,データベース内の各項目を問合せ点の隣人あるいは非隣人として,余剰距離閾値に基づいて効率よくマークする。 本研究では,ソフトマックスに基づく特徴量を用いて,完全探索よりも10倍以上の高速化を実現し,精度を損なわないことを示す。
  論文  参考訳（メタデータ） (2023-11-05T06:12:03Z)
• Beyond Greedy Search: Tracking by Multi-Agent Reinforcement Learning-based Beam Search [103.53249725360286]
  既存のトラッカーは通常、フレーム毎のトラッキング結果として最大スコアの場所または提案を選択する。 本稿では,この問題に対処するために,新しいマルチエージェント強化学習に基づくビームサーチ戦略(BeamTracking と呼ばれる)を提案する。
  論文  参考訳（メタデータ） (2022-05-19T16:35:36Z)

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。