新型自适应kNN图模型加速AI推理速度

研究人员开发了一种自适应图模型，用于增强大规模AI应用的k近邻（kNN）算法。该新模型通过将分层可导航小世界（HNSW）图与预计算的投票机制相结合，将推理延迟与计算复杂性解耦。该方法将邻居选择的计算负担转移到训练阶段，从而能够更快地遍历较高的图层，并在较低的图层中实现精确的自适应邻居计数。跨六个数据集的基准测试表明，该架构在不牺牲分类准确性的情况下显著加快了推理速度，为kNN固有的推理瓶颈提供了可扩展的解决方案。 AI

影响 这种自适应图模型为kNN中的推理瓶颈提供了一个可扩展的解决方案，有可能为大规模AI应用实现实时性能。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种用于kNN算法的新型自适应图模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hierarchical Navigable Small World graphs
• Hugging Face
• IArxiv
• Jiaye Li
• k-nearest neighbors algorithm
• ScienceCast

• 论文
• 基础设施

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