高維空間最近鄰逼近搜索演算法評測
來源:GitHub
編譯:weakish
最近鄰方法是機器學習中一個非常流行的方法,它的原理很容易理解:鄰近的數據點是相似的數據點,更可能屬於同一分類。然而,在高維空間中快速地應用最近鄰方法,卻是非常有挑戰性的工作。
全球最大的流媒體音樂服務商Spotify需要向上面的海量用戶推薦音樂,其中就用到了最近鄰方法。也就是在高維空間、大型數據集上應用最近鄰方法。
由於維度高、數據規模大,直接應用最近鄰方法並不可行,因此,最佳實踐是使用逼近方法搜索最近鄰。這方面有不少開源庫,比如Spotify開源的Annoy庫。Annoy庫的作者Erik Bernhardsson在開發Annoy的過程中發現,儘管有成百上千的使用逼近方法搜索最近鄰的論文,卻很少能找到實踐方面的比較。因此,Erik開發了ANN-benchmarks,用來評測逼近最近鄰(approximate nearest neighbor,ANN)演算法。
評估的實現
Annoy Spotify自家的C++庫(提供Python綁定)。Annoy最突出的特性是支持使用靜態索引文件,這意味著不同進程可以共享索引。
FLANN 加拿大英屬哥倫比亞大學出品的C++庫,提供C、MATLAB、Python、Ruby綁定。
scikit-learn 知名的Python機器學習庫scikit-learn提供了、、實現。
PANNS 純Python實現。已「退休」,作者建議使用MRPT。
NearPy 純Python實現。基於局部敏感哈希(Locality-sensitive hashing,簡稱LSH,一種降維方法)。
KGraph C++庫,提供Python綁定。基於圖(graph)演算法。
NMSLIB (Non-Metric Space Library) C++庫,提供Python綁定,並且支持通過Java或其他任何支持Apache Thrift協議的語言查詢。提供了SWGraph、HNSW、BallTree、MPLSH實現。
hnswlib(NMSLIB項目的一部分) 相比當前NMSLIB版本,hnswlib內存佔用更少。
RPForest 純Python實現。主要特性是不需要在模型中儲存所有索引的向量。
FAISS Facebook出品的C++庫,提供可選的GPU支持(基於CUDA)和Python綁定。包含支持搜尋任意大小向量的演算法(甚至包括可能無法在RAM中容納的向量)。
DolphinnPy 純Python實現。基於超平面局部敏感哈希演算法。
Datasketch 純Python實現。基於MinHash局部敏感哈希演算法。
PyNNDescent 純Python實現。基於k-近鄰圖構造(k-neighbor-graph construction)。
MRPT C++庫,提供Python綁定。基於稀疏隨機投影(sparse random projection)和投票(voting)。
NGT: C++庫,提供了Python、Go綁定。提供了PANNG實現。
數據集
ANN-benchmarks提供了一些預先處理好的數據集。
結果
Erik提供了在AWS EC2機器(c5.4xlarge)上運行測試的結果——跑了好幾天才跑完,費用約100美元。
glove-100-angular
sift-128-euclidean
fashion-mnist-784-euclidean
gist-960-euclidean
nytimes-256-angular
glove-25-angular
從以上評測可以看出(越靠上、靠右,成績越好),幾乎在所有數據集上,排名前五的實現為:
HNSW(NMSLIB的低內存佔用版本),比Annoy快10倍。
KGraph位於第二,和HNSW的差距不算很大。和HNSW一樣,KGraph也是基於圖(graph)的演算法。
SW-graph,源自NWSLIB的另一個基於圖的演算法。
FAISS-IVF,源自Facebook的FAISS。
Annoy
在「評估的實現」一節中,我們看到,有不少使用局部敏感哈希(LSH)的庫。這些庫的表現都不是很好。在之前進行的一次評測中,FALCONN表現非常好(唯一表現優良的使用局部敏感哈希的庫)。但是這次評測中,FALCONN看上去退步得很厲害——原因未明。
從這次評測來看,基於圖的演算法是當前最先進的演算法(名列三甲的演算法全都基於圖),特別是HNSW表現突出。
原文地址:https://github.com/erikbern/ann-benchmarks
TAG:論智 |