小编典典

高维数据中的最近邻?

all

几天前我问了一个关于如何找到给定向量的最近邻居的问题。我的向量现在是 21维,在我继续之前,因为我不是来自机器学习或数学领域,我开始问自己一些基本问题:

  • 欧几里得距离是首先找到最近邻居的好指标吗?如果没有,我有什么选择?
  • 此外,如何确定确定 k 邻居的正确阈值?是否可以进行一些分析来计算出这个值?
  • 以前,有人建议我使用 kd-Trees,但 Wikipedia 页面明确表示,对于高维,kd-Tree 几乎等同于蛮力搜索。在那种情况下,在百万点数据集中有效地找到最近邻的最佳方法是什么?

有人可以澄清上述部分(或全部)问题吗?


阅读 72

收藏
2022-08-05

共1个答案

小编典典

我目前正在研究此类问题——分类、最近邻搜索——用于音乐信息检索。

您可能对 近似最近邻 ( ANN ) 算法感兴趣。这个想法是您允许算法返回足够 近的邻居
(可能不是最近的邻居);这样做可以降低复杂性。你提到了 kd-tree ;这是一个例子。但正如你所说, kd-tree
在高维上效果不佳。事实上, 所有 当前的索引技术(基于空间分区)都退化为对足够高维度的线性搜索[1][2][3]。

在最近提出的 ANN 算法中,也许最流行的是 局部敏感散列 ( LSH ),它将高维空间中的一组点映射到一组 bin 中,即散列表
[1][3]。但与传统散列不同, 位置敏感 散列将 附近 的点放入同一个 bin。

LSH
有一些巨大的优势。首先,它很简单。您只需计算数据库中所有点的哈希值,然后从中创建一个哈希表。要查询,只需计算查询点的哈希,然后从哈希表中检索同一 bin
中的所有点。

其次,有一个严格的理论支持它的表现。可以看出,查询时间在数据库大小上是次 线性 的,即比线性搜索快。快多少取决于我们可以容忍多少近似值。

最后, LSH 与 的任何 Lp 范数兼容0 < p <= 2。因此,要回答您的第一个问题,您可以将 LSH
与欧几里德距离度量一起使用,或者您可以将其与曼哈顿 (L1) 距离度量一起使用。汉明距离和余弦相似度也有变体。

Malcolm Slaney 和 Michael Casey 在 2008 年为 IEEE 信号处理杂志撰写了一篇不错的概述 [4]。

LSH 似乎无处不在。你可能想试一试。


[1] Datar、Indyk、Immorlica、Mirrokni,“基于 p 稳定分布的局部敏感散列方案”,2004 年。

[2] Weber, Schek, Blott,“高维空间中相似性搜索方法的定量分析和性能研究”,1998 年。

[3] Gionis, Indyk, Motwani,“通过散列进行高维相似性搜索”,1999 年。

[4] 斯莱尼,凯西,“用于查找最近邻居的局部敏感散列”,2008 年。

2022-08-05