重新审视高维数据上的$k$近邻图构建：实验与分析
数据结构与算法
2021-12-07 v1
摘要
高维数据上的近邻图（KNNG）是一种广泛应用于相似度搜索、降维和聚类等诸多任务的数据结构。由于其日益流行，过去十年中在同一框架下已提出若干方法。该框架包含两步，即构建初始KNNG（记为\texttt{INIT}）然后通过邻域传播细化（记为\texttt{NBPG}）。然而，仍有若干问题有待解答。首先，文献中代表性方案之间缺乏全面的实验比较。其次，一些近期提出的索引结构（如SW和HNSW）尚未被用于或测试用于构建初始KNNG。第三，数据属性与\texttt{NBPG}有效性之间的关系仍不明确。为解决这些问题，我们在真实高维数据集上全面比较代表性方法，为用户提供实用且具洞察的建议。作为首次尝试，我们在实验中将SW和HNSW作为\texttt{INIT}的替代方案。此外，我们研究了\texttt{NBPG}的有效性，并发现huness现象与\texttt{NBPG}性能之间的强相关性。
引用
@article{arxiv.2112.02234,
title = {Revisiting $k$-Nearest Neighbor Graph Construction on High-Dimensional Data : Experiments and Analyses},
author = {Liu Yingfan and Cheng Hong and Cui Jiangtao},
journal= {arXiv preprint arXiv:2112.02234},
year = {2021}
}