English(EN) Turbocharging PiPNN for Proximity and $k$-NN Graph Building

新的 PiPNN 方法极大地加速了 ANNS 索引和 k-NN 图的构建

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-03 22:20

研究人员开发了 PiPNN II 和 GPiPNN，显著加速了近似最近邻搜索 (ANNS) 索引的构建。PiPNN II 在 CPU 上实现了高达 8 倍的速度提升，而 GPU 实现的 GPiPNN 在索引构建方面比现有方法快 43.7 倍。这些进展还能够更快地计算 k-NN 图，这对于聚类和异常检测等任务至关重要，PiPNN II 在 CPU 上提供了高达 13 倍的速度提升，而 GPiPNN 在 GPU 上为 90% 召回率下的 10-NN 图构建提供了 6.6 倍的速度提升。这些方法利用量化和优化的 Top-K 操作来减少内存流量并利用低精度矩阵计算。 AI

影响加速了依赖于相似性搜索和图分析的 AI 应用的核心基础设施。

排序理由详细介绍基于图的 ANNS 新算法和实现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍基于图的 ANNS 新算法和实现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: infra, paper; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 3 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Vahab Mirrokni · 2026-11-03 22:20

为邻近度和 $k$-NN 图构建加速 PiPNN

Graph-based Approximate Nearest Neighbor Search (ANNS) indexes such as HNSW and Vamana deliver state-of-the-art query performance at the cost of large indexing times. The recently introduced PiPNN method drastically accelerated index construction by way of a partitioning-based al…

本文如何被排名

报道来源 [1]

为邻近度和 $k$-NN 图构建加速 PiPNN

相关实体

相关话题