图基近邻搜索数据删除的评估方法
机器学习
2025-12-09 v1
摘要
近邻搜索（ANNS）因其众多应用（如检索增强生成）而近年来获得显著关注。此类应用需要支持动态数据的 ANNS 算法，因此动态数据上的 ANNS 问题引起广泛关注。然而，针对 ANNS 数据删除的完整评估方法尚未建立。本研究提出实验框架和全面评估指标，以评估 ANNS 索引在实际场景下的数据删除效率。具体而言，将图基 ANNS 中的数据删除方法归类为三类并进行数学形式化建模。性能以准确性、查询速度及其他相关指标进行评估。最后，我们将所提出的评估框架应用于一种最新 ANNS 方法——层次可导航小世界图（HNSW），分析数据删除的影响，并提出删除控制（Deletion Control）方法，动态选择在所需搜索准确性下的最适删除方法。
引用
@article{arxiv.2512.06200,
title = {How Should We Evaluate Data Deletion in Graph-Based ANN Indexes?},
author = {Tomohiro Yamashita and Daichi Amagata and Yusuke Matsui},
journal= {arXiv preprint arXiv:2512.06200},
year = {2025}
}
备注
4 pages, 4 figures. Accepted at NeurIPS 2025 Workshop on Machine Learning for Systems