您查看的活动已结束

DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node” 是 2019 年发表在 NeurIPS 上的论文。目前有很多向量检索的 ANN 算法，这些算法在建索引性能、查询性能和查询召回率方面各有取舍。这篇论文提出了能够有效支持大规模数据的常驻 SSD 的 ANNS 方案：DiskANN。

该文提出了一种基于磁盘的 ANN 方案，该方案可以在单个 64 G 内存和足够 SSD 的机器上对十亿级别的数据进行索引、存储和查询， 并且能够满足大规模数据 ANNS 的三个需求： 高召回、低查询时延和高密度（单节点能索引的点的数量）。

文中的方法做到了在 16 核 64G 内存的机器上对十亿级别的数据集 SIFT1B 建基于磁盘的图索引，并且 recall@1 > 95% 的情况下 qps 达到了 5000， 平均时延不到 3ms。

论文名称：

DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node

论文链接：

点击【阅读原文】下载

https://suhasjs.github.io/files/diskann_neurips19.pdf

分享提纲：

1. DiskANN 概述 

2. 磁盘方案和 DiskANN 的动机及贡献 

3. DiskANN 是如何建索引和查询 

4. 实验结果 

5. 总结

线上分享结束后，嘉宾还会在直播交流群内实时QA，欢迎大家扫码加入直播群与大家共同交流！

同时，我们热烈欢迎社区志愿者以讲师、议评人、合作直播等形式参与到 Paper reading 直播中。请通过直播交流群联系群管理员与我们取得联系。