Learned metric index - proposition of learned indexing for unstructured data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F21%3A00118915" target="_blank" >RIV/00216224:14330/21:00118915 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.is.2021.101774" target="_blank" >http://dx.doi.org/10.1016/j.is.2021.101774</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.is.2021.101774" target="_blank" >10.1016/j.is.2021.101774</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learned metric index - proposition of learned indexing for unstructured data

Popis výsledku v původním jazyce

The main paradigm of similarity searching in metric spaces has remained mostly unchanged for decades - data objects are organized into a hierarchical structure according to their mutual distances, using representative pivots to reduce the number of distance computations needed to efficiently search the data. We propose an alternative to this paradigm, using machine learning models to replace pivots, thus posing similarity search as a classification problem, which stands in for numerous expensive distance computations. Even a relatively naive implementation of this idea is more than competitive with state-of-the-art methods in terms of speed and recall, proving the concept as viable and showing great potential for its future development.

Název v anglickém jazyce

Learned metric index - proposition of learned indexing for unstructured data

Popis výsledku anglicky

The main paradigm of similarity searching in metric spaces has remained mostly unchanged for decades - data objects are organized into a hierarchical structure according to their mutual distances, using representative pivots to reduce the number of distance computations needed to efficiently search the data. We propose an alternative to this paradigm, using machine learning models to replace pivots, thus posing similarity search as a classification problem, which stands in for numerous expensive distance computations. Even a relatively naive implementation of this idea is more than competitive with state-of-the-art methods in terms of speed and recall, proving the concept as viable and showing great potential for its future development.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Information Systems

ISSN

0306-4379

e-ISSN

—

Svazek periodika

100

Číslo periodika v rámci svazku

101774

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

12

Strana od-do

1-12

Kód UT WoS článku

000649115200005

EID výsledku v databázi Scopus

2-s2.0-85104454116