Approximate Nearest Neighbor Search
PulseAugur coverage of Approximate Nearest Neighbor Search — every cluster mentioning Approximate Nearest Neighbor Search across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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
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。
-
新框架增强AI的近似最近邻搜索
研究人员推出了两个新的近似最近邻搜索（ANNS）框架，这是现代AI应用的关键组成部分。第一个是Projection-Augmented Graph (PAG)，它将投影技术集成到图索引中，以提高查询效率和索引速度，同时保持低内存占用和可扩展性。第二个是ANNLib，它提供了一个基于图的ANNS算法的开发框架，允许用户组合优化的组件以实现高性能和灵活的功能，例如动态更新和历史查询。
-
新的统一优势图增强了区间谓词近似最近邻搜索
研究人员开发了一个名为统一优势图（UDG）的新图索引框架，以改进涉及连续区间属性的查询的近似最近邻搜索（ANNS）。该方法通过将对象和查询端点映射到标准化的二维优势空间来解决现有范围过滤技术的局限性。UDG框架通过在语义映射后重用构建和搜索算法来支持各种区间谓词，例如包含和重叠，同时还引入了补丁边以在限制性过滤器下提高路由效率。评估表明，UDG在不同的区间关系和工作负载下提供了稳定的查询性能，并且在低索引开销的情况下优于当前的混合搜索基线。
-
Dask 将产品量化和倒排索引并行化以处理大规模数据
研究人员开发了一种使用 Dask 对大规模近似最近邻 (ANN) 搜索进行产品量化 (PQ) 和倒排索引并行化的方法。该方法旨在降低与高维数据聚类相关的显著计算成本。通过在 Python 中分而治之处理大型数据集，该方法可以在不牺牲准确性的情况下合并结果，从而使通常用于中等规模数据的资源也能进行大规模 ANN 搜索。