标题:高维数据近似NN搜索-实验、分析、优化
这是一篇针对广义KNN算法的综述实验性文章
1 INTRODUCTION
1.1 Motivation
- 作者的初衷是把不同领域(比如机器学习ML,多媒体MM,数据库DB,工业界)的能解决同一个问题(近似NN,ANNS)的方法拿出来,进行比较。
- ANNS算法可以由多个层面去衡量:
- 搜索时间复杂度;
- 搜索质量;
- 索引大小;
- 可扩展性(数据量、维度);
- 鲁棒性;
- 可更新性;
- 调优参数是否方便;
目前大多数实验用的query workload和数据集的数据分布式是一致的,这会有失偏颇。
- 目前各种实验里的结果有很多是矛盾的,虽然可以归因于实验设置不同,但是缺乏统一的比较,作者来做这件事。
2 BACKGROUND
2.1 Problem Definition
d维向量,距离是欧式距离。
3 RELATED WORK
3.1 Hashing-based Methods
3.1.1 Locality Sensitive Hashing(LSH)
和数据分布无关的哈希。依靠一组局部敏感的哈希函数,把邻近的数据点哈希更大概率到同一个哈希码上。
构建多个哈希表,根据碰撞确定KNN。
哈希函数是LSH方法的关键,有静态的符合哈希函数,也有动态的碰撞技术策略。
3.1.2 Learning to Hash (L2H)
根据数据分布确定哈希函数。
相似性维持(similarity-preserving)是L2H方法的关键。在原来的向量空间相似,在哈希码空间上也要尽量相似。
L2H方法可以分为几类:
- 成对相似性维持;
- 成组相似性维持;
- 隐式相似性维持;
- 量化的(最小化量化变形);
现在也有用深度神经网络来学习哈希函数的。本文不给数据做label,因此只采用无监督学习。
3.2 Partition-based Methods
分区的方法主要是将多维空间分成若干个不相交的区域,查询时首先定位到Query所属的区域,然后在该区域及其附近搜索KNN。
分区方法主要分为三类:
- Pivoting:选几个点做pivots,然后其它点根据与Pivot的距离进行分区;递归进行操作,比如VP-Tree
- Compact:基于聚类进行分区;
- hyperplane(超平面):暂时没看懂
3.3 Graph-based Methods
图的方法是构造一个邻近图,每个数据点作为一个顶点,边来描述数据点之间的临近关系。遵循的原则就是:邻居的邻居大概率也是我的邻居。主要也分为两类。
- KNN图:每个顶点保留K条边,作为KNN的邻居结果;
- NSW图:称为导向性的小世界图。现在还有多级的NSW图,是效果最好的方法之一。
4 DIVERSIFIED PROXIMITY GRAPH
作者这个综述做着做着,从实验分析中得到了一些insights,于是自己动手做了改进,就是这个DPG。
4.1 Motivation
DPG是根据KNN图改编的。
- 考虑下面这张2-NN图,如果按照距离来看,关于p最近的两个点a3,a4将成为p指向的邻居,但是其实指向他们意义不大,因为它们本来就是一个cluster里的,搜索的时候肯定会相互搜到,因此在KNN list里面浪费一个名额;不如去选一个“角度”差的比较大的b,这样可以搜到更丰富的邻居。这就是名称diversified的由来。
-
另一方面,根据高维空间中Hubness的发现,高维空间中很大比例的数据点不会成为别的点备选的KNN,为了拯救这些点,提升丰富度,DPG采用双向边。
image.png
4.2 Diversified Proximity Graph
至于这个图的构建过程也比较简单,从原来的每个节点的KNN list里面,筛选出r个点,要求这个r个点成对之间的平均夹角是最大的(diversified),让p和这r个点双向连接。
具体于这r个点是怎么选的,首先选一个起始点,然后按照贪心选择从list里面选一个可以使得平均角度最大的点。
经过实验,r一般为K的一半效果最好。
5 EXPERIMENTS
【未完待续】
网友评论