申请试用
HOT
登录
注册
 
Paper reading # 2 |基于NVM的高性能向量检索方案HM-ANN

Paper reading # 2 |基于NVM的高性能向量检索方案HM-ANN

Milvus.io
/
发布于
/
168
人观看

Paper reading 直播是由 Milvus 社区发起的学术直播间,分享业内前沿学术论文,与大家交流人工智能与数据库领域最新研究方向。

本期论文分享,我们邀请到了 Zilliz 实习研究员罗济高,与大家共同讨论 一篇被收录于第 34 届神经信息处理系统会议(NeurIPS 2020)的论文,“HM-ANN Efficient Billion-Point Nearest Neighbor Search on Heterogeneous Memory”。

“HM-ANN Efficient Billion-Point Nearest Neighbor Search on Heterogeneous Memory” 是一篇被收录于第 34 届神经信息处理系统会议(NeurIPS 2020)的论文,由微软研究院与加州大学共同撰写。在这篇论文中,作者提出了一种基于图片的相似性搜索算法 HM-ANN。

HM-ANN 同时考虑了内存异质性和数据异质性,并在没有压缩技术的情况下在单机上实现了十亿级的相似性搜索。HM-ANN 实现了低搜索延迟和高搜索精度,尤其是当数据集无法放入 DRAM 时。该算法与最先进的近似最近邻搜索 (ANNS) 解决方案相比具有明显的优势。

罗济高 Zilliz 实习研究员
本科毕业于慕尼黑工业大学,目前是该校数据工程与分析专业研究生在读。兴趣领域包含关系数据库与性能分析,喜欢研究关系数据库內核,对数据库各个子领域的进展拥有高度好奇心。Github账号:https://github.com/cakebytheoceanLu

分享提纲:
1/ HM-ANN 图索引的动机
2/ HM-ANN 图索引的构建和搜索算法
3/ HM-ANN 的价格优势
4/ HM-ANN 性能测试
5/ 技术总结

线上分享结束后,嘉宾还会在直播交流群内实时 QA,欢迎大家添加小助手微信:Zilliz-tech 备注”直播“加入讨论群。

0 点赞
1 收藏
3下载
确认
3秒后跳转登录页面
去登陆