SCOUT:稀疏张量分解中万亿级Top-k检索的无耦合界限

《Proceedings of the ACM on Management of Data》:SCOUT: Coupling-Free Bounds for Trillion-Scale Top-k Retrieval in Sparse Tensor Factorization

【字体: 大 中 小 】 时间:2026年10月24日 来源:Proceedings of the ACM on Management of Data

编辑推荐:

   摘要AI 摘要如需查看此 AI 生成的摘要,您必须具备高级访问权限。了解更多登录摘要摘要在大规模隐式结果空间上进行排序检索是数据管理中一个核心的查询处理问题。一个典型的自然实例出现在使用张量分解(TF)模型对稀疏张量进行检索时:候选元组对应于多元笛卡尔积上未观测到的更高阶交互

  

摘要

摘要

在大规模隐式结果空间上进行排序检索是数据管理中一个核心的查询处理问题。一个典型的自然实例出现在使用张量分解(TF)模型对稀疏张量进行检索时:候选元组对应于多元笛卡尔积上未观测到的更高阶交互,并由学习得到的 TF 模型对其进行评分。在生物医学分析、推荐系统和时序交互建模等领域,真实世界的张量往往是稀疏且不完整的,候选空间可达万亿量级,使得穷举评分和排序变得不可行。尽管大多数前期工作集中于改进 TF 训练或模型精度,但在推断阶段对学习得到的多元评分进行可扩展的 top-k 排序检索,研究相对较少。此外,现有的成对 top-k 搜索技术,如最大内积搜索(MIPS),由于多元评分的耦合性以及候选空间的组合爆炸性,无法直接扩展到 TF 场景。
我们提出了 Scout,一个面向大规模隐式张量空间的 top-k 排序检索的可扩展且兼容的框架。Scout 将 TF 评分重参数化为非负的模式潜在量和一个归一化的交互项,从而得到一个无耦合的乘积形式上界,该上界支持排序访问、可证明的剪枝以及可靠的候选排序,而无需像 MIPS 类规约那样进行模式耦合的物化。利用该上界,Scout 执行具有延迟评分的 N 维最佳优先遍历,支持预算约束的随时检索以及在需要精确 top-k 时的可证明终止。此外,Scout 以 GPU 友好的分块批量方式对候选进行验证,使其在内存和延迟预算下实现高吞吐量执行。实验表明,Scout 对于各种 TF 方法相较于全枚举实现了超过 103 倍的加速,相较于基于 MIPS 的基线方法实现了高达 11 倍的加速,同时保持了可比的检索质量。

AI 摘要

AI 生成摘要(实验性)

本摘要由自动化工具生成,未经本文作者撰写或审阅。它旨在支持发现工作、帮助读者评估相关性,并协助来自相邻研究领域的读者理解本文内容。它旨在补充作者提供的摘要,后者仍是论文的主要摘要。全文仍为权威版本。

点击此处此处评论本摘要的准确性、清晰度和实用性。您的反馈将有助于改进和生成未来版本。

如需查看此 AI 生成的通俗语言摘要,您必须具备高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号