Computing the k Nearest-Neighbors for all Vertices via Dijkstra
给出了一个有向图$G = (V,E)$，图中的$n$顶点和$m$边都是正的，边的权值是正的，图的参数是$k >0$ .我们展示了如何计算，为每个顶点$v \in V$，其$k$最近的邻居。该算法在$O( k ( n \log n + m ) )$时间内运行，并对Dijkstra的最短路径算法进行了一定程度的修改。这个结果可能是民间传说，但我们无法找到它的参考资料-因此，这张纸条。
2016-07-26 cs.DS
Efficient Reverse k Nearest Neighbor evaluation for hierarchical index
“反向最近邻”查询在决策支持系统，基于配置文件的营销，紧急服务等应用程序在本文中，我们指出了一些缺陷的分支和边界算法提出了计算单色RkNN查询存储在层次索引中的数据点。我们给出了合适的反例来验证我们的主张，并提出了相应问题的正确算法。我们表明，我们的算法是正确的，通过确定这个问题的算法的正确性背后的必要条件。
2015-06-16 cs.DS
Aren't we all nearest neighbors: Spatial trees, high dimensional reductions and batch nearest neighbor search
我们首先回顾了最近邻搜索问题的普遍性和用于解决它的技术以及一些实验结果。在第二章中，我们给出了两类不同的几何邻近问题的约化：用最近邻问题解欧氏最小生成树问题和用最远邻问题解k-中心问题。在第三章中，我们将空间划分树统一到元树的框架下。最后，我们提出了双色最近邻对的对偶树算法，并对批量最近邻搜索的复杂度进行了度量。
2015-07-13 cs.CG cs.DS
Approximate nearest neighbor search for $\ell_p$-spaces ($2 < p < \infty$) via embeddings
虽然近似最近邻搜索的问题已经为欧几里德空间和$\ell_1$研究得很好，但当（$\ell_p$）.在本文中，我们重新审视这个基本问题，并提出近似最近邻搜索算法，在这种情况下，第一个非平凡的近似因子的保证。
2015-12-06 cs.CG cs.DS
Reverse nearest neighbor queries in fixed dimension
反向最近邻查询定义如下：给定输入点集P和查询点q，找到P中所有点p，其在P U {q} \ {p}中的最近点是q。我们给出了一个数据结构，以回答固定维欧氏空间中的反向最近邻查询。我们的数据结构使用O（n）空间，其预处理时间为O（n log n），其查询时间为O（log n）。
2010-09-01 cs.CG cs.DS
Approximate Nearest Neighbor Search for Low Dimensional Queries
本文研究了度量空间中的近似最近邻问题，其中数据是高维的，而查询点被限制在低倍维的子空间上。我们表明，这个问题可以有效地解决，尽管高维数据。
2012-09-18 cs.CG cs.DS
Finding Nearest Neighbors in graphs locally
许多分布式学习技术的动机是不断增加的数据集大小以及它们无法适应单个机器上的主内存。我们提出了一个算法，找到最近的邻居在一个图的本地，而不需要访问整个图。我们的算法是分布式的，这进一步鼓励可扩展性。我们证明了算法的收敛性
2019-02-14 cs.DS cs.SI
Parallel Nearest Neighbors in Low Dimensions with Batch Updates
我们提出了一套并行算法计算精确的k-近邻在低维。许多k-最近邻算法使用kd树或莫顿排序的点集，我们的算法结合这些方法使用的数据结构，我们称之为\textit{zd-tree}。我们表明，这种组合是理论上有效的共同假设下，并在实践中快速。对于具有有界扩展常数和有界比率的大小为$n$的点集，可以在$O(n)$工作中构建zd树，其中$O(n^ε)$跨度为常数$ε<1$，并且搜索点的$k$ -最近邻需要预期的$O(k\log k)$时间。我们对现有的并行k-最近邻算法的k-最近邻算法进行基准测试，表明我们的实现通常比现有技术更快，并且在144个超线程上实现了75倍的加速比。此外，zd树支持并行批动态插入和删除;据我们所知，它是第一个支持这种更新的k-最近邻数据结构。在具有有界扩展常数和有界比率的点集上，批量动态更新大小$k$需要$O(k \log n/k)$与$O(k^ε + \text{polylog}(n))$跨度一起工作。
2021-11-07 cs.CG cs.DS
An Algorithm for Reducing Approximate Nearest Neighbor to Approximate Near Neighbor with O(logn) Query Time
本文提出了一种将近似近邻问题约化为近似近邻问题的新算法。这个算法的优点是它达到了O（log n）的查询时间。作为一个约简问题，其真正的时间复杂度是调用近似近邻算法的次数。以往的算法都需要polylog（n）的查询时间。本文采用Vaidya提出的一种盒子分割方法，实现了O（log n）的查询时间复杂度。
2018-09-26 cs.CC cs.CG cs.DS
PUFFINN: Parameterless and Universally Fast FInding of Nearest Neighbors
我们提出了PUFFINN，一个无参数的基于LSH的索引解决$k$ -最近邻问题的概率保证。无参数意味着用户只需要指定索引应该使用的内存量和应该达到的结果质量。该指数结合了文献中已知的几个启发式想法。通过对查询算法的小的修改，我们使查询变得严格。我们在真实世界和合成输入上进行实验，以评估实施选择，并表明该实施满足质量保证，同时与其他最先进的最近邻搜索方法竞争。我们描述了一种新的合成数据集，这是很难解决几乎所有现有的最近邻搜索方法，其中PUFFINN显着优于以前的方法。
2019-06-28 cs.CG cs.DS
Graph-based Nearest Neighbor Search: From Practice to Theory
基于图的方法在最近邻搜索（NNS）方面非常成功。然而，关于其理论保障的研究却很少。我们填补了这一空白，并严格分析基于图的NNS算法的性能，特别是专注于低维（d \log n）制度。除了最近邻图上的基本贪心算法之外，我们还分析了实践中常用的最成功的算法：通过添加快捷边来加速，通过维护候选项的动态列表来提高准确性。我们相信，我们的理论见解得到实验分析的支持，是理解基于图的NNS算法的局限性和优势的重要一步。
2020-08-20 cs.DS math.PR
Discrepancy-Sensitive Dynamic Fractional Cascading, Dominated Maxima Searching, and 2-d Nearest Neighbors in Any Minkowski Metric
本文研究了一种离散敏感的动态分数阶级联方法。我们提供了一个有效的数据结构占主导地位的最大值搜索在一个动态的一组点在平面上，这反过来又导致了一个有效的动态数据结构，可以回答查询最近的邻居使用任何Minkowski度量。我们提供了一个有效的数据结构占主导地位的最大值搜索在一个动态的一组点在平面上，这反过来又导致一个有效的动态数据结构，可以回答查询最近的邻居使用任何Minkowski度量。
2009-04-29 cs.CG cs.DS
Fast k-Nearest Neighbour Search via Prioritized DCI
University of California, Berkeley（加州大学伯克利分校）
最精确的方法k-最近邻搜索遭受灾难的维度，也就是说，他们的查询时间表现出指数依赖于环境或内在的维度。动态连续索引（DCI）提供了一种很有前途的方法来规避诅咒，并成功地减少查询时间对内在维度的依赖性从指数到次线性。在本文中，我们提出了一个变种的DCI，我们称之为优先级DCI，并表现出显着的改善查询时间的依赖内在维度。特别地，内在维度的线性增加，或者等价地，查询附近的点的数量的指数增加，可以仅用空间的线性增加来抵消。我们还实证表明，优先DCI显着优于以前的方法。特别地，相对于局部敏感散列（LSH），优先化DCI将距离评估的数量减少了14到116倍，并且将存储器消耗减少了21倍。
2017-07-20 cs.AI cs.DS cs.IR
A 2D Nearest-Neighbor Quantum Architecture for Factoring in Polylogarithmic Depth
我们贡献了一个2D最近邻量子体系结构的肖尔的算法因子的$n$位数的$O(\log^2(n))$深度。我们的实现使用并行相位估计，恒定深度扇出和隐形传态，和恒定深度进位保存模块加法。我们推导出一个新的2D最近邻模型，允许一个经典的控制器和并行，通信模块下，我们的架构的电路资源的上限。在新模型中，我们还提出了一种新的用于无界量子解扇出的恒深电路。最后，我们提供了一个比较所有以前的最近邻因子分解实现。我们的电路的结果在最近邻电路深度的指数改善的成本多项式增加电路的大小和宽度。
2013-04-22 cs.DS cs.ET quant-ph
Approximate Nearest Neighbor Search through Comparisons
School of Computer
本文讨论了在n个对象的数据库中寻找查询对象q的最近邻（或R-最近邻之一）的问题。与大多数现有的方法相比，我们只能通过相似性预言来访问对象所处的“隐藏”空间。给定两个引用对象和一个查询对象，oracle返回最接近查询对象的引用对象。甲骨文试图模拟人类用户的行为，能够对相似性进行陈述，但不能为对象之间的距离分配有意义的数值。
2009-09-11 cs.DB cs.DS cs.LG
Hierarchical Nearest Neighbor Graph Embedding for Efficient Dimensionality Reduction
Mercedes-Benz Tech Innovation（梅赛德斯-奔驰技术创新公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
降维对于高维数据的可视化和机器学习的预处理都是至关重要的。我们介绍了一种新的方法，基于建立在1-最近邻图在原始空间，这是用来保持分组属性的数据分布在多个级别上的层次结构。该提案的核心是一个无优化的投影，在性能和可视化质量方面与最新版本的t-SNE和UMAP竞争，同时在运行时间上快了一个数量级。此外，它的可解释机制，投影新数据的能力以及可视化中数据集群的自然分离使其成为通用的无监督降维技术。在本文中，我们讨论了所提出的方法的合理性，并在不同的数据集上进行了评估，这些数据集的大小从1 K到11 M不等，样本的尺寸从28到16 K不等。我们在多个指标和目标维度上与其他最先进的方法进行比较，突出其效率和性能。代码可在https://github.com/koulakis/h-nne上获得
2022-05-29 cs.AI cs.CV cs.DS
On the Nearest Neighbor Rule for the Metric Traveling Salesman Problem
我们提出了一个非常简单的家庭旅行推销员的实例与$n$城市的最近邻规则可能会产生一个旅游，是$Θ(\log n)$倍的最佳解决方案。我们家同时研究图形、欧几里德和直线旅行商问题。它改善了迄今为止最知名的下界在欧几里德的情况下，并证明了第一次在直线的情况下的下界。
2014-01-09 cs.DM cs.DS math.CO
Adaptive Estimation for Approximate k-Nearest-Neighbor Computations
Rice University（莱斯大学）
算法通常对“简单”和“困难”问题实例执行同样多的计算。特别地，用于寻找最近邻的算法通常具有相同的运行时间，而不管特定的问题实例。在本文中，我们考虑近似的k-最近邻问题，这是在一个给定的点集，包含一个给定的查询点的k个最近邻的集合中找到一个O（k）点的子集的问题。我们提出了一种算法的基础上自适应估计的距离，并表明，它本质上是最佳的算法，只允许自适应估计距离。然后，我们从理论上和实验上证明，该算法可以实现显着的加速比相对于天真的方法。
2019-02-25 cs.DS cs.LG stat.ML
Approximate Nearest Neighbor Search with Window Filters
Massachusetts Institute of Technology（麻省理工学院）；University of Maryland（马里兰大学）
本文研究了$c$-近似窗口搜索问题，提出了一种基于树的模块化框架，将传统近似最近邻索引转换为支持任意标签范围查询的数据结构，在相同召回率下实现了高达75倍的加速。
2024-06-04 cs.DS cs.IR cs.LG
Approximate Nearest Neighbor Search in High Dimensions
最近邻问题定义如下：给定某个度量空间$(X,D)$中的$n$点的集合$P$，构建一个数据结构，该数据结构在给定任何点$q$的情况下，返回$P$中最接近$q$的点（它在$P$中的“最近邻”）。该数据结构存储关于集合$P$的附加信息，然后使用该信息来查找最近邻，而不计算$q$和$P$之间的所有距离。该问题在机器学习、计算机视觉、数据库等领域有着广泛的应用。为了减少寻找最近邻所需的时间和数据结构所使用的内存量，可以用公式表示{ \em approximate}最近邻问题，其中目标是返回任何点$p' \in P$，使得对于某些$c \geq 1$，从$q$到$p'$的距离至多为$c \cdot \min_{p \in P} D(q,p)$。在过去的二十年里，开发了许多有效的解决方案。在这篇文章中，我们调查这些发展，以及它们的连接问题的几何功能分析和组合几何。
2018-06-26 cs.CG cs.DB cs.DS
Fast k-Nearest Neighbour Search via Dynamic Continuous Indexing
University of California, Berkeley（加州大学伯克利分校）
现有的方法检索k-最近邻遭受灾难的维度。我们认为，这部分是由于空间划分的固有缺陷，这是大多数现有方法所使用的基本策略。我们设计了一种新的策略，避免了分割的向量空间，并提出了一种新的随机算法，运行在时间上的线性的空间维度和次线性的内在维度和大小的数据集，并采取空间常数的空间维度和线性的大小的数据集。该算法允许细粒度控制的准确性和速度在每个查询的基础上，自动适应数据密度的变化，支持动态更新的数据集，易于实现。我们展示了吸引人的理论属性，并实证表明，该算法优于局部敏感性哈希（LSH）的近似质量，速度和空间效率。
2017-04-06 cs.AI cs.DS cs.IR
