文献

J-GLOBAL ID：202002256880032637   整理番号：20A2552586

高次元データのための高速スケーラブル近似最近傍探索【JST・京大機械翻訳】

Fast Scalable Approximate Nearest Neighbor Search for High-dimensional Data

著者 (2件)： Renga Bashyam K G (Indian Institute of Science,Department of Computational and Data Sciences,Bengaluru,India) ,  Vadhiyar Sathish (Indian Institute of Science,Department of Computational and Data Sciences,Bengaluru,India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CLUSTER  ページ： 294-302  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： K-最近傍(k-NN)探索は,類似性探索のための最も一般的に使用されるアプローチの1つである。それは機械学習とデータマイニングにおける広範囲な応用を見つける。大きいデータのこの時代は,高い次元を有する10億スケールデータセットのためのk-NN探索アルゴリズムを効率的にスケーリングする。本論文では,複数のプロセスにわたってデータセットを分割するためにvanage point treeを用いて,プロセス内で局所的に探索するためのHNSW(階層的ナビゲーション可能小世界)と呼ばれる既存のグラフベース逐次近似k-NN探索アルゴリズムを利用する,この目的に向けた解決策を提案した。このハイブリッドMPI-OpenMPソリューションは,通信時間を低減するためのMPI片側通信の利用と,プロセス全体にわたるより良い負荷分散のための分割複製を含む技術を採用する。128次元空間で10億点を有するデータセット上で,約8000のコアに関する著者らのアプローチを用いて,秒のオーダーで10,000クエリに対するk-NNの計算を示した。また,同じデータセットに対する完全k-dツリーベース解に対する10X高速化を示し,高次元データセットに対する解のより良い適合性を示した。この解は,ほぼ線形の強いスケーリングを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 逐次近似 ,  複製 ,  *近似法 ,  適応性 ,  通信 ,  線形性 ,  高速化 ,  機械学習 ,  負荷分散 ,  データマイニング ,  *近傍探索法
準シソーラス用語： OpenMP ,  探索アルゴリズム ,  クエリー ,  通信時間 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 高次元データ ,  近似 ,  近傍探索