Аналіз використання методів прискорення векторного пошуку в реляційних СКБД
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
керування базами даних. Розглянуто точний пошук за повним перебором, попереднє фільтрування кандидатів та наближений пошук найближчих сусідів на основі індексів IVF і HNSW. Основну увагу приділено особливостям реалізації векторного пошуку в PostgreSQL із розширенням pgvector та його узгодженню з атрибутивними SQL-предикатами.
Exact search based on full scan, candidate pre-filtering, and approximate nearest neighbor search using IVF and HNSW indexes are considered. Particular attention is paid to the implementation of vector search in PostgreSQL with the pgvector extension and to its integration with attribute-based SQL predicates.
Exact search based on full scan, candidate pre-filtering, and approximate nearest neighbor search using IVF and HNSW indexes are considered. Particular attention is paid to the implementation of vector search in PostgreSQL with the pgvector extension and to its integration with attribute-based SQL predicates.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Кириленко О. М., Гармаш В. В. Аналіз використання методів прискорення векторного пошуку в реляційних СКБД // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28271.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- Malkov Yu. A., Yashunin D. A. Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 42, no. 4. P. 824–836. DOI: 10.1109/TPAMI.2018.2889473. Johnson J., Douze M., Jgou H. Billion-scale similarity search with GPUs. IEEE Transactions on Big Data. 2021. Vol. 7, no. 3. P. 535–547. DOI: 10.1109/TBDATA.2019.2921572. Subramanya S. J., Devvrit, Simhadri H. V., Krishnaswamy R., Kadekodi R. DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node. In: Advances in Neural Information Processing Systems (NeurIPS 2019). 2019. PostgreSQL Global Development Group. PostgreSQL documentation [Electronic resource]. Available at: PostgreSQL official documentation. Aumller M., Bernhardsson E., Faithfull A. ANN-Benchmarks: A benchmarking tool for approximate nearest neighbor algorithms. Information Systems. 2020. Vol. 87. Art. 101374. DOI: 10.1016/j.is.2019.02.006.