[論文レビュー] Prune, Don't Rebuild: Efficiently Tuning $α$-Reachable Graphs for Nearest Neighbor Search

Tian Zhang, Ashwin Padaki+3 more|arXiv (Cornell University)|Feb 8, 2026

Advanced Image and Video Retrieval Techniques被引用数 0

ひとこと要約

RP-Tuningは、インデックスを再構築せずにDiskANNの α-到達性を調整するポストハック剪定ルーチンを提供し、理論的保証とデータセット全体で最大43×のチューニングスピードアップを実現します。

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.

研究の動機と目的

• DiskANNベースのANN検索における精度、待機時間、インデックスサイズのトレードオフを理解・最適化する動機。
• 完全なインデックス再構築を伴わずに到達可能性パラメータαを調整する方法を開発する。
• 剪定後の最悪ケース性能に対する理論的保証を提供する。
• 公開データセット上でスピードアップと精度の利点を実証的に示す。

提案手法

• RP-Tuningを導入する。DiskANN構築で使用されるRobustPruneに由来するポストハック剪定ルーチン。
• α1-到達可能なベースグラフから始め、α2 < α1へ剪定して最悪ケース保証を保持。
• 一般的な指標で剪定後のグラフの最悪ケース到達性境界を証明し、ユークリッド測度では改善された境界（整列/非整列のバリアント）を示す。
• 剪定後の構築、クエリ時間、近似性を分析するために既存のα到達性理論を活用する。
• 4つの公開データセット（SIFT-1M、GIST-1M、Deep-1M、MSSPACEV-1M）を対象に、100-recall@100とビームサイズLを変化させ、RP-Tuningと再構築を比較して評価する。

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 $\alpha=1.1,1.05,1.01$ .

実験結果

リサーチクエスチョン

• RQ1 RP-Tuningはα1到達可能なDiskANNグラフをα2へ剪定して最悪ケース保証を予測可能に維持できるか？
• RQ2 整列済みと未整列のRobustPruneバリアントは一般空間およびユークリッド空間での最悪ケース到達性にどのように影響するか？
• RQ3 異なるα値に対してインデックスを再構築するのと比較した場合のRP-Tuningの実用的なスピードアップと精度への影響は？
• RQ4 剪定は多様なデータセットで実用的なRecall-Latencyトレードオフを維持または改善するか？

主な発見

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-Tuningは4つの公開データセット全体でDiskANNチューニングを最大43×加速します。
• 剪定されたグラフは同じαで再構築されたインデックスと比較してRecall−QPSのトレードオフが優れることを示す。
• 理論的には剪定グラフの最悪ケース到達性境界を示し、整列剪定はユークリッド空間での保証を改善。
• 剪定は高度に接続されたベースグラフ（α1）から開始し、リソース制約のあるデプロイに適したよりまばらなグラフ（α2）を生成する。
• 実証的には、同一αに対して剪定されたインデックスが再構築されたインデックスよりもQPS-Recall性能で優れることが多い（最悪ケース保証の可能性はある）。
• 剪定は再構築が容易に再現できないベースグラフの構造的利点を保持します。

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.