PulseAugur
中
实时 10:06:36
English(EN) An Exploration Graph with Continuous Refinement for Efficient Multimedia Retrieval

新的图方法增强了针对不断变化的多媒体数据的最近邻搜索

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员提出了两种新颖的基于图的近似最近邻搜索（ANNS）方法，用于多媒体数据集。第一种是动态探索图（DEG），它通过引入新的顶点删除算法和分布无关的扩展方法来高效处理不断演变的数据集。第二种是连续细化探索图（crEG），专注于快速构建具有最先进搜索性能的紧凑图，包括可选的边优化算法。这两种方法都旨在保持图的连通性和平衡性，在构建时间和搜索效率方面优于现有的动态图算法，特别是在探索性搜索场景中。 AI

影响 这些新的基于图的方法可以提高大型多媒体数据库中搜索和推荐系统的效率和准确性。

排序理由 该集群包含两篇介绍信息检索新算法的学术论文。

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的图方法增强了针对不断变化的多媒体数据的最近邻搜索

报道来源 [2]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Klaus Jung ·

    动态探索图：一种在不断变化的 मल्टीमीडिया 数据集中进行高效最近邻搜索的新方法

    Approximate Nearest Neighbor Search (ANNS) represents a fundamental problem in various applications (image-search, recommendation systems). While graph-based algorithms have demonstrated a good balance between search accuracy and time, handling dynamic datasets, where data points…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Klaus Jung ·

    面向高效多媒体检索的连续细化探索图

    As datasets and the dimensionality of feature vectors continue to grow, Approximate Nearest Neighbor Search (ANNS) in large multimedia databases becomes increasingly relevant. Graph-based approaches have demonstrated to offer the best trade-off between retrieval precision and sea…

相关实体

相关话题