May, 2023

RT Cores 加速无限制邻居搜索 (RT-kNNS Unbound)

PDF
TL;DR在此研究中，我们提出了 TrueKNN，这是第一种无界 RT 加速邻近搜索。TrueKNN 采用递增策略，在搜索空间逐步增加直到所有点都找到其 K 个邻居。我们发现，这种方法比现有方法快数个数量级，甚至可以用于加速固定半径邻近搜索。
k-nearest neighborsgpu accelerationray tracingtrueknnneighbor search
发现论文，激发创造
  • 使用 GPU 进行快速 k 近邻搜索

    该研究评估了使用 NVIDIA CUDA API 加速 K - 最近邻搜索在计算机视觉中的应用，最多可缩短搜索时间 120 倍。

    Apr, 2008

  • MaxK-GNN：加速图神经网络训练的理论速度极限

    本文提出了 MaxK-GNN，一个高性能的 GPU 训练系统，通过集成算法和系统创新来实现。在 MaxK-GNN 系统的广泛评估中，实验结果显示其接近 Amdahl 法则的理论极限，相对于 DGL 和 GNNAdvisor 的实现，在 Reddit 上实现了 3.22/4.24 倍的速度提升（相对于理论极限的 5.52/7.27 倍），并且达到了与 SOTA GNN 相当的准确性。

    Dec, 2023

  • 基于聚类的高效 k 近邻机器翻译

    本文提出了一种用于领域自适应的非参数翻译解决方案 “k 最近邻机器翻译（kNN-MT）”，并通过在聚类的基础上通过对比学习的方式构建紧凑网络，提高了检索效率并且在大型数据集上取得了更好或相当的性能表现，同时对于不同领域的通用性很强。

    Apr, 2022

  • HashPoint: 加速神经渲染的点搜索与采样

    本文中，我们通过我们的 HashPoint 方法，结合光栅化和光线追踪策略，优化了点搜索和采样，并通过自适应采样提高了渲染速度，保持了等效或更高的准确性。

    Apr, 2024

  • 快速最近邻机器翻译

    本文提出了一种快速的 $k$ 最近邻机器翻译模型，通过使用仅限于相同查询令牌的最近令牌级邻居来限制查询空间，从而大大提高了解码效率，并实现了与 $k$NN-MT 相当的性能表现，只比标准 NMT 模型慢两倍。

    May, 2021

  • 具有稳定学习规则的增强型 KNN 双支持向量机

    该研究提出了一种增强的、基于加权的正则化 KNN 双支持向量机，通过加权样本、增加稳定项和结合多距离 KNN 算法来解决 KNN-based TSVM 分类器的高计算成本和过拟合等问题，实验结果表明在分类准确度和计算时间上均有显著提高，最大加速比可达 14 倍。

    Jun, 2019

  • 基于动态连续索引的快速 K 最近邻搜索

    提出一种新的无需数据空间分割的随机化算法来避免由于数据维度过高而导致的数据检索问题，并通过理论分析和实验结果来证明这种算法在数据近似性、速度和空间效率等方面优于传统的局部敏感哈希算法（LSH）

    Dec, 2015

  • 面向鲁棒的 k 近邻机器翻译

    本文研究并发现 kNN-MT 的性能下降问题，提出了一种信心增强的 kNN-MT 模型，结合鲁棒训练和两种扰动方式以达到在基准数据集上实现显着改进和更好的鲁棒性的效果。

    Oct, 2022

  • 在 GPU 上高效地进行大规模近似最近邻搜索

    本研究提出基于 Product Quantization 的两层向量量化树的 ANN 搜索新方法，在 GPU 实现方面取得了比 CPU 更高的性能表现，适用于视频中循环关闭等对时间敏感的高维问题。

    Feb, 2017

  • 神经最近邻网络

    研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

    Oct, 2018