Pré-Publication, Document De Travail Année : 2025

Hierarchical Navigable Small World Siyoyo: Empirical Approximate Nearest Neighbor Graph Comparison in .NET 9 with GPU Support

Hiérarchique Navigable Small World Siyoyo : Comparaison empirique de graphes de plus proches voisins approximatifs en .NET 9 avec prise en charge GPU

Mateus Yonathan

Résumé

This paper presents an empirical comparison of two Hierarchical Navigable Small World (HNSW) graph implementations in .NET 9, implementing a variant called HNSW Siyoyo that incorporates layer-adaptive neighbor constraints and vector normalization. We implement both standard HNSW and the Siyoyo variant using modern C# with GPU acceleration via ComputeSharp for similarity calculations. Our experimental evaluation on three datasets (Synthetic-2K, Synthetic-10K, and Real-World) demonstrates that the Siyoyo variant achieves comparable recall performance while providing significant memory reductions of 12.6–19.9% and generally improved insertion times. Although GPU acceleration for similarity calculation is implemented and benchmarked, our results show that for the tested datasets and hardware, GPU support did not provide a speedup compared to the CPU due to data transfer overhead and the efficiency of modern CPUs for this workload. This highlights the importance of empirical evaluation when considering GPU acceleration for ANN search in production systems. The implementation leverages .NET 9’s performance improvements and demonstrates practical applications of GPU-accelerated similarity search in production environments. Our benchmarking results show that the Siyoyo variant maintains 96.3–100.0% recall at ef = 256 while using 12–20% less memory than standard HNSW implementations, making it particularly suitable for memory-constrained environments.

Cet article présente une comparaison empirique de deux implémentations du graphe Hierarchical Navigable Small World (HNSW) en .NET 9, incluant une variante appelée HNSW Siyoyo qui intègre des contraintes de voisinage adaptatives par couche ainsi qu'une normalisation des vecteurs. Nous implémentons à la fois l’HNSW standard et la variante Siyoyo en utilisant du C# moderne avec une accélération GPU via ComputeSharp pour les calculs de similarité. Notre évaluation expérimentale sur trois jeux de données (Synthetic-2K, Synthetic-10K et Real-World) montre que la variante Siyoyo atteint une performance de rappel comparable tout en offrant des réductions de mémoire significatives de 12,6 à 19,9 % et des temps d’insertion généralement améliorés. Bien que l’accélération GPU pour les calculs de similarité soit implémentée et mesurée, nos résultats indiquent que, pour les jeux de données et le matériel testés, le support GPU n’apporte pas de gain de vitesse par rapport au CPU, en raison de la surcharge liée au transfert de données et de l’efficacité des CPU modernes pour ce type de charge de travail. Cela souligne l’importance d’une évaluation empirique lors de l’examen de l’accélération GPU dans les systèmes de recherche de plus proches voisins approximatifs (ANN) en production. L’implémentation tire parti des améliorations de performance de .NET 9 et démontre des applications pratiques de la recherche de similarité accélérée par GPU dans des environnements de production. Nos résultats de benchmarking montrent que la variante Siyoyo maintient un rappel de 96,3 à 100,0 % à ef = 256, tout en utilisant 12 à 20 % de mémoire en moins que les implémentations HNSW classiques, ce qui la rend particulièrement adaptée aux environnements contraints en mémoire.

Fichier non déposé

Dates et versions

Identifiants

Citer

Mateus Yonathan. Hierarchical Navigable Small World Siyoyo: Empirical Approximate Nearest Neighbor Graph Comparison in .NET 9 with GPU Support. 2025. ⟨hal-05160101⟩
59 Consultations
0 Téléchargements

Altmetric

Partager

  • More