[논문 리뷰] Prune, Don't Rebuild: Efficiently Tuning $α$-Reachable Graphs for Nearest Neighbor Search

Tian Zhang, Ashwin Padaki외 3명|arXiv (Cornell University)|2026. 02. 08.

Advanced Image and Video Retrieval Techniques인용 수 0

한 줄 요약

RP-Tuning은 인덱스를 재구축하지 않고 DiskANN의 α-도달 가능성을 조정하기 위한 사후 가지치기 루틴을 제공하며, 이론적 보장과 데이터 세트 전반에서 최대 43배의 조정 속도 향상을 제공합니다.

ABSTRACT

Vector similarity search is an essential primitive in modern AI and ML applications. Most vector databases adopt graph-based approximate nearest neighbor (ANN) search algorithms, such as DiskANN (Subramanya et al., 2019), which have demonstrated state-of-the-art empirical performance. DiskANN's graph construction is governed by a reachability parameter $α$, which gives a trade-off between construction time, query time, and accuracy. However, adaptively tuning this trade-off typically requires rebuilding the index for different $α$ values, which is prohibitive at scale. In this work, we propose RP-Tuning, an efficient post-hoc routine, based on DiskANN's pruning step, to adjust the $α$ parameter without reconstructing the full index. Within the $α$-reachability framework of prior theoretical works (Indyk and Xu, 2023; Gollapudi et al., 2025), we prove that pruning an initially $α$-reachable graph with RP-Tuning preserves worst-case reachability guarantees in general metrics and improved guarantees in Euclidean metrics. Empirically, we show that RP-Tuning accelerates DiskANN tuning on four public datasets by up to $43 imes$ with negligible overhead.

연구 동기 및 목표

• DiskANN 기반 ANN 검색에서 정확도, 지연, 인덱스 크기 사이의 트레이드오프를 이해하고 최적화하려는 동기.
• 전체 인덱스 재구축 없이 도달 가능성 매개변수 α를 조정하는 방법을 개발한다.
• 가지치기 후의 최악의 경우 성능에 대한 이론적 보장을 제공한다.
• 공개 데이터셋에서 속도 향상과 정확도 이점을 실험적으로 입증한다.

제안 방법

• DiskANN 구성에 사용되는 RobustPrune에서 파생된 사후 가지치기 루틴인 RP-Tuning을 도입한다.
• α1-도달 가능한 베이스 그래프에서 시작하여 목표 α2 < α1로 가지치기를 수행하고 최악의 경우 보장을 보존한다.
• 일반 메트릭에서 가지치기된 그래프의 최악의 도달 경계(도달 가능성 한계)를 증명하고 유클리드 메트릭에서 개선된 한계를 제시한다(정렬/비정렬 변형 포함).
• 가지치기 후의 구성, 쿼리 시간 및 근사에 대해 기존의 α-도달 이론을 활용하여 분석한다.
• 공개 데이터셋 네 가지(SIFT-1M, GIST-1M, Deep-1M, MSSPACEV-1M)에서 100-recall@100 및 다양한 빔 크기 L를 사용하여 RP-Tuning과 재구축 간의 성능을 비교하는 실험적 평가를 수행한다.

Figure 3 : Recall-QPS trade-off frontiers achieved by a base DiskANN graph of $\alpha_{1}=1.2$ then pruned graphs from the base graph via RP-Tuning with $\alpha_{2}=1.1,1.05,1.01$ , and the same base DiskANN graph of $\alpha=1.2$ along with rebuilt DiskANN graphs of $\alpha=1.1,1.05,1.01$ .

실험 결과

연구 질문

• RQ1 RP-Tuning은 예측 가능한 최악의 경우 보장을 유지하면서 α1-도달 가능한 DiskANN 그래프를 더 작은 α2로 가지치기할 수 있는가?
• RQ2 정렬된 vs 비정렬된 RobustPrune 변형이 일반 메트릭 및 유클리드 공간에서 최악의 도달 가능성에 어떤 영향을 미치는가?
• RQ3 다른 α 값에 대해 인덱스를 재구축하는 것과 비교했을 때 RP-Tuning의 실용적인 속도 향상과 정확도 영향은 무엇인가?
• RQ4 다양한 데이터셋에서 가지치기가 실용적 recall-지연 시간 트레이드오프를 보존하거나 향상시키는가?

주요 결과

Dataset	T_rebuild(alpha=1.01) (s)	T_prune(alpha=1.01) (s)	Speedup(alpha=1.01)	T_rebuild(alpha=1.05) (s)	T_prune(alpha=1.05) (s)	Speedup(alpha=1.05)	T_rebuild(alpha=1.10) (s)	T_prune(alpha=1.10) (s)	Speedup(alpha=1.10)	Total_T_rebuild (s)	Total_T_prune (s)	Total_Speedup
SIFT-1M	5,728	409	14×	6,220	421	15×	6,728	482	14×	18,676	1,312	14×
DEEP1M	5,536	376	15×	5,911	499	12×	6,745	555	12×	18,192	1,430	13×
GIST-1M	12,073	294	41×	14,665	367	40×	21,312	462	46×	48,050	1,123	43×
MSSPACEV1M	7,573	492	15×	9,028	560	16×	11,570	495	23×	28,171	1,547	18×

• RP-Tuning은 네 가지 공개 데이터셋 전반에서 DiskANN 튜닝을 최대 43× 가속한다.
• RP-Tuning을 통한 가지치기 그래프는 동일한 α에서 재구축된 인덱스와 비교하여 모든 데이터셋에서 더 나은 recall-QPS 트레이드오프를 보여준다.
• 이론적 결과는 가지치기된 그래프의 최악의 도달 경계를 보여주며, 정렬된 가지치기가 유클리드 보장을 더 잘 제공한다.
• 가지치기는 높은 연결성을 가진 베이스 그래프(α1)에서 시작하여 자원 제약 배치에 적합한 구성 가능한 희소 그래프(α2)를 도출한다.
• 경험적으로 가지치기된 인덱스는 동일한 α에서 QPS-리콜 성능 면에서 종종 재구축된 인덱스를 능가한다(최악의 경우 보장에도 불구하고).
• 가지치기는 재구축이 쉽게 재현하지 못하는 베이스 그래프의 구조적 무결성 이점을 보존한다.

Figure 4 : Recall-QPS trade-off frontiers achieved by a base DiskANN graph of $\alpha_{1}=1.2$ (blue curves with circles) and pruned graphs (curves with squares) from the base graph of $\alpha_{2}=1.1,1.05,1.01$ . Average degrees (Deg) of individual graphs are also included.