論文の概要: GINGER: Spicing Up Graph-Based Vector Search
- arxiv url: http://arxiv.org/abs/2611.08306v1
- Date: Thu, 05 Nov 2026 17:09:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.590259
- Title: GINGER: Spicing Up Graph-Based Vector Search
- Title（参考訳）: GINGER:グラフベースのベクトル検索を急ぐ
- Abstract要約: textscGingerは、グラフベースのニアニアサーチ(ANNS)のためのオープンソースライブラリである
textscGingerは、クエリスループットとインデックス時間に関して、既存のANNSライブラリを超えている。
textscGingerは近距離グラフ構築(PiPNN)とベクトル量子化(TurboQuant)の最近の進歩に基づいている
- 参考スコア（独自算出の注目度）: 27.152120449032058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present \textsc{Ginger}, a state-of-the-art open-source C++ library for graph-based approximate nearest neighbor search (ANNS). We developed \textsc{Ginger} at Google to push the speed and memory efficiency of graph search on large and high-dimensional embedding datasets. \textsc{Ginger} surpasses existing ANNS libraries with regards to query throughput and indexing time while matching the memory footprint of the most space-efficient competitors. \textsc{Ginger} builds upon recent advances in proximity graph construction (PiPNN) and vector quantization (TurboQuant). We introduce Nested TurboQuant (NTQ), a two-level quantizer which supports low precision graph navigation and high precision reranking in a single code. This representation achieves near floating point precision with $2.6\times$ less memory. We also compress the size of our proximity graphs by up to $2.5\times$ without impacting query throughput. We combine graph reordering with a new lossless compression codec called AdaptiveGap, which builds upon StreamVByte. At $95\%$ recall, \textsc{Ginger} speeds up query throughput by an average of $1.8\times$ over each dataset's fastest competitor and by at least $2.3\times$ over any single library. This lead grows to $2.9\times$ over compact libraries on high-dimensional embeddings.
- Abstract（参考訳）: 本稿では,グラフベースニアニアニアサーチ(ANNS)のための最先端のオープンソースC++ライブラリであるtextsc{Ginger}を紹介する。
Google で \textsc{Ginger} を開発し,大規模および高次元の埋め込みデータセット上でのグラフ検索の高速化とメモリ効率を向上した。
\textsc{Ginger}は、最もスペース効率のよい競合相手のメモリフットプリントをマッチングしながら、クエリスループットとインデックス時間に関して、既存のANNSライブラリを超えている。
textsc{Ginger} は近距離グラフ構築(PiPNN)とベクトル量子化(TurboQuant)の最近の進歩に基づいている。
Nested TurboQuant (NTQ) は,低精度グラフナビゲーションと高精度リランクをサポートする2レベル量子化器である。
この表現は、より少ないメモリで2.6\times$2.6\timesで近似浮動小数点精度を達成する。
また、クエリのスループットに影響を与えることなく、近接グラフのサイズを最大2.5\times$に圧縮します。
我々は、グラフのリオーダーと、StreamVByte上に構築されたAdaptiveGapと呼ばれる新しいロスレス圧縮コーデックを組み合わせる。
955\%のリコールで、 \textsc{Ginger} はクエリのスループットを、データセットの最速競合よりも平均で1.8\times$、任意のライブラリよりも少なくとも2.3\times$でスピードアップする。
このリードは、高次元埋め込みのコンパクトライブラリよりも29\times$2.9\timesに成長する。
関連論文リスト
- On Efficient Scaling of GNNs via IO-Aware Layers Implementations [1.0262304700896199]
グラフニューラルネットワーク(GNN)は不規則なメモリアクセスによってボトルネックとなる。
広く使われているレイヤは、SpMMベースの畳み込み、還元ベースのアグリゲーション、注意ベースの3つのカーネルファミリーに分類される。
各ファミリーは、データ移動を減らし、局所性を向上し、現実的なグラフをまたいで堅牢なカーネルを開発する。
論文 参考訳（メタデータ） (2026-05-29T16:22:45Z) - GPU-Native Approximate Nearest Neighbor Search with IVF-RaBitQ: Fast Index Build and Search [6.459073253087106]
IVF-RaBitQは、クラスタベースのIVFとRaBitQ量子化を統合したGPUネイティブなANNSソリューションで、効率的なGPUインデックスの構築/検索パイプラインである。
IVF-RaBitQは、リコール、スループット、インデックスビルド時間、ストレージフットプリントにおいて、強力なパフォーマンスフロンティアを提供する。
論文 参考訳（メタデータ） (2026-02-27T13:23:30Z) - CRouting: Reducing Expensive Distance Calls in Graph-Based Approximate Nearest Neighbor Search [9.557937699715124]
近似近接探索(ANNS)は、情報検索とAIアプリケーションにおいて重要な問題である。
本稿では,不必要な距離計算をバイパスするCRoutingという新しいルーティング手法を提案する。
実験により、CRoutingは、最大41.5%までの距離計算を削減し、2つの主要なグラフインデックス上で、毎秒1.48$times$までクエリを高速化することを示した。
論文 参考訳（メタデータ） (2025-08-30T05:27:09Z) - Efficiently Constructing Sparse Navigable Graphs [15.180901064191575]
グラフベースの近接検索手法は近年人気が高まっており、様々なアプリケーションで最先端のパフォーマンスを提供している。
これらの手法の中心は、距離関数を持つ与えられたデータセットに対して、スパースナビゲート可能な探索グラフを構築するタスクである。
本研究では,探索グラフ構築のための証明可能な保証付き高速アルゴリズムの研究を開始する。
論文 参考訳（メタデータ） (2025-07-17T17:04:18Z) - Graph Unfolding and Sampling for Transitory Video Summarization via Gershgorin Disc Alignment [48.137527345353625]
携帯電話からYouTubeやTikTokなどのソーシャルメディアサイトにアップロードされたユーザー生成ビデオ(UGV)は、短くて繰り返しではない。
我々は、ガーシュゴリンディスクアライメント(GDA)に基づく高速グラフサンプリングにより、遷移UGVを複数のディスクに線形時間で要約する。
提案アルゴリズムは,最先端の手法と比較して,映像の要約性能が向上し,複雑さが大幅に低減されていることを示す。
論文 参考訳（メタデータ） (2024-08-03T20:08:02Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search [55.75621026447599]
NAS-Bench-Graphは、GraphNASの統一的、再現可能、効率的な評価をサポートする調整されたベンチマークである。
具体的には,26,206のユニークなグラフニューラルネットワーク(GNN)アーキテクチャを網羅した,統一的で表現力のあるコンパクトな検索空間を構築する。
提案したベンチマークに基づいて,GNNアーキテクチャの性能を検索テーブルから直接取得できるが,それ以上の計算は行わない。
論文 参考訳（メタデータ） (2022-06-18T10:17:15Z) - VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。
textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
論文 参考訳（メタデータ） (2021-05-04T04:10:48Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。
本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。
実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-10-29T08:55:33Z)
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。