Jun, 2024

CANDY：基于动态数据插入的连续近似最近邻搜索的基准

PDF
TL;DRCANDY 是一个定制的连续近似最近邻搜索基准，能够全面评估广泛的 AKNN 算法，并通过集成机器学习驱动的推断和改进的距离计算方法来提高检索效果和减少计算开销。实验证明，相对简单的 AKNN 基线通常在召回率和延迟方面超越更复杂的替代方案，这一发现对高性能所需的算法复杂性的现有信念提出了质疑，并强调了现有挑战和未来研究机会。
发现论文，激发创造
  • ANN-Benchmarks：一种用于近似最近邻算法基准测试的工具

    本文介绍了 ANN-Benchmarks，这是一种用于评估内存中近似最近邻算法的性能的工具，它提供了一个标准接口来测量不同标准数据集上最近邻算法的性能和质量，并支持多种不同方式的 k-NN 算法集成，其配置系统自动测试每个算法的一系列参数设置。ANN-Benchmarks 旨在提供 k-NN 算法的最新发展概述，并对评估结果进行了评估，并指出了未来工作的方向。

    Jul, 2018

  • 动态数据集上的近似最近邻搜索：一项调查

    近似 k 最近邻（ANN）方法常用于大规模高维数据集上的信息挖掘和机器学习，针对动态数据集和在线特征学习等应用，我们通过实证评估了 5 种流行的 ANN 方法，结果表明在动态数据集中，k-d 树方法不适用，并且在在线数据收集和在线特征学习方面，层次可导航小世界图方法和可扩展最近邻方法分别比基线方法更快速。

    Apr, 2024

  • 高维数据的近似最近邻搜索：实验、分析与改进（v1.0）

    本文详细评估了 16 种不同算法在 20 个不同数据集、多个评估指标和不同查询工作负载下的性能表现，并提出了一种新的方法以提高查询效率和召回率。

    Oct, 2016

  • 基于图的近似最近邻搜索的综合调查和实验比较

    本文综述了 13 个代表性的基于图的近似最近邻搜索算法，通过新的分类和细粒度的流程进行了比较分析和实验评估。该研究提供了优化算法的原则并设计了一种优化方法，可以优于现有的基于图的近似最近邻算法。同时还提供了关于有前途的研究方向和适合不同领域从业者使用的算法的经验建议。

    Jan, 2021

  • 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

  • 走出常规路线：用 k-NN 搜索替代基于词项检索

    通过使用 k-NN 检索算法和近似算法，考虑到微妙的词汇相关性，以取代基于词汇的搜索并提高检索效率。

    Oct, 2016

  • 学习的 k-NN 距离估计

    提出了一种利用全连接神经网络模型和支点来快速准确地估计查询的 k-NN 距离的机器学习技术。实验结果表明，该方法在大数据挖掘和近距离数据分析方面具有高效和有效的优势。

    Aug, 2022

  • 基于局部特征的视觉定位的受约束近似最近邻算法 (CANN)

    本文提出了一种名为 Constrained Approximate Nearest Neighbors (CANN) 的近似 K 最近邻联合解决方案，该方案只使用局部特征进行跨几何和外观空间的 K 最近邻检索以提高视觉定位的性能，并且在公共定位基准测试中成功地优于现有方法。

    Jun, 2023

  • FreshDiskANN：一种用于流式相似度搜索的快速准确基于图的 ANN 索引

    本文提出了一种可以在实时反映文本更新的图形近似最近邻搜索方法，使用 update rules 实现了 FreshDiskANN 系统，能够在单个工作站上索引十亿个点，支持实时插入、删除和搜索，优化了索引保持新鲜的成本。

    May, 2021

  • 动态异构学术图的公共基准测试

    本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

    Apr, 2022