通过优先DCI的快速k近邻搜索
机器学习
2017-07-21 v2 人工智能
数据结构与算法
信息检索
机器学习
摘要
大多数用于k近邻搜索的精确方法都受到维度灾难的困扰；也就是说，它们的查询时间对环境维度或内在维度表现出指数依赖。动态连续索引(Dynamic Continuous Indexing, DCI)提供了一种规避该灾难的有前景的方法，并成功地将查询时间对内在维度的依赖从指数级降低到亚线性。在本文中，我们提出了DCI的一种变体，称之为优先DCI (Prioritized DCI)，并展示了查询时间对内在维度的依赖的显著改善。特别地，内在维度的线性增加，或等效地，查询点附近点数的指数增加，可以主要通过空间的线性增加来抵消。我们还通过实验证明优先DCI显著优于先前的方法。特别地，相对于局部敏感哈希(Locality-Sensitive Hashing, LSH)，优先DCI将距离计算次数减少了14到116倍，并将内存消耗减少了21倍。
引用
@article{arxiv.1703.00440,
title = {Fast k-Nearest Neighbour Search via Prioritized DCI},
author = {Ke Li and Jitendra Malik},
journal= {arXiv preprint arXiv:1703.00440},
year = {2017}
}
备注
14 pages, 6 figures; International Conference on Machine Learning (ICML), 2017