[论文解读] 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 0

一句话总结

RP-Tuning 提供了一种事后剪枝例程，用以在不重构索引的情况下调整 DiskANN 的 α-可达性，并带有理论保证，在不同数据集上实现高达 43× 的调优加速。

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.

研究动机与目标

• 理解并优化基于 DiskANN 的 ANN 搜索中准确性、延迟和索引大小之间权衡的动机。
• 开发一种在不进行完整索引重建的情况下调整可达性参数 α 的方法。
• 为修剪后的 worst-case 性能提供理论保证。
• 在公开数据集上实证展示速度和准确性提升。

提出的方法

• 提出 RP-Tuning，一种从 RobustPrune 推导的事后剪枝例程，用于 DiskANN 构建。
• 以 α1 可达的基图出发，剪裁至目标 α2 < α1，且保留最坏情况保证。
• 在一般度量下证明剪裁后图的最坏情况可达性界限，在欧几里得度量下给出改进界限（包括排序/未排序变体）。
• 利用现有的 α 可达性理论分析剪裁后的构建、查询时间和近似性。
• 在四个公开数据集（SIFT-1M、GIST-1M、Deep-1M、MSSPACEV-1M）上通过 100-recall@100 和不同的 beam size L，实证比较 RP-Tuning 与重建的差异。

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 $\alpha=1.1,1.05,1.01$ .

实验结果

研究问题

• RQ1 RP-Tuning 能否将 α1 可达的 DiskANN 图裁剪到更小的 α2，同时保持可预测的 worst-case 保证？
• RQ2 排序与未排序的 RobustPrune 变体在一般和欧几里得空间中的最坏情况可达性有何影响？
• RQ3 相较于对不同 α 值进行索引重建，RP-Tuning 的实际加速和准确性影响是什么？
• RQ4 在不同数据集上裁剪是否能保持或改善实际的召回-延迟权衡？

主要发现

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 在四个公开数据集上将 DiskANN 调优加速至多 43×。
• 通过 RP-Tuning 剪裁的图在相同 α 下，与重建索引相比，在召回-查询每秒（QPS）方面呈现有利的权衡。
• 理论结果给出剪裁后图的最坏情况可达性界限，排序剪裁在欧几里得场景提供更好的保证。
• 剪裁从高度连通的基图（α1）开始，产生可配置的更稀疏图（α2），适用于资源受限的部署。
• 在经验上，尽管存在潜在的最坏情况保证，裁剪后的索引在 QPS-召回性能方面通常优于具有相同 α 的重建索引。
• 剪裁保留了基图的结构完整性优势，重建无法轻易复制。

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.