k-d tree
PulseAugur coverage of k-d tree — every cluster mentioning k-d tree across labs, papers, and developer communities, ranked by signal.
-
新的Zonal RL-RRT算法提升路径规划效率
研究人员开发了一种新的路径规划算法，名为Zonal RL-RRT，它显著提高了在复杂环境中的效率和成功率。该算法使用k-d树将地图划分为区域，并采用值迭代进行高级决策，确保区域间的平滑过渡。Zonal RL-RRT在时间效率上比基础采样方法提高了3倍，并在包括机械臂模拟在内的各种环境中，平均比启发式引导和基于学习的方法提高了1.5倍。
-
新的 whitetree 库增强了 SciPy k-d 树以处理流式数据
一个名为 whitetree 的新库已被开发出来，用于高效处理流式传感器数据上的最近邻搜索。它利用多个 SciPy k-d 树来管理插入和删除，而无需完全重建，在某些操作上比 scikit-learn 的 BallTree 和 FAISS 等现有库实现了显著的加速。该库仅基于 NumPy 和 SciPy 构建，支持多读单写线程，并提供与静态 k-d 树匹配的精确结果。
-
Mojo语言通过更快的k-d树加速金融AI
研究人员开发了一种使用Mojo加速金融领域AI效率的新方法，特别适用于高频交易和时间序列分析。他们实现的Mojo SIMD k-d树比scikit-learn等现有库提供了显著的速度提升，在ARM64架构上性能提升高达43.5倍。这一进展使得金融AI模型能够实时处理更大的数据集，提高衍生品定价等领域的准确性，并能够训练十倍于以往的数据量。
-
2L-LSH 方法提供比 Kd-tree 和 Octree 更快的点云索引
研究人员开发了一种名为 2L-LSH 的新方法，用于高效搜索大型 3D 点云模型。该技术利用两步哈希策略快速查找邻近点，这对于 3D 模型重建和检索等任务至关重要。比较测试表明，在速度方面，2L-LSH 的性能显著优于 Kd-tree 和 Octree 等传统方法。
-
Elixir ML 生态系统通过 MLIR、Arrow 和新的传统 ML 工具得到扩展
Elixir 编程语言社区正在通过几个关键项目更新来扩展其机器学习能力。Numerical Elixir (Nx) 现在支持 MLIR，实现了更广泛的硬件兼容性和量化，而 Elixir 数据操作库 Explorer 已实现与 Apache Arrow 数值类型的完全兼容。此外，专注于传统机器学习的 Scholar 项目引入了用于可视化、分类和降维的新算法，增强了该生态系统处理各种 ML 任务的能力。