🤖 machine learning

Exact and Approximate Range Queries for Efficient Ball Mapper Construction

यह शोध पत्र बॉल मैपर (Ball Mapper) के निर्माण को त्वरित करने के लिए बॉल ट्रीज़ (ball trees) और FAISS का उपयोग करते हुए सटीक और अनुमानित रेंज क्वेरी विधियों का प्रस्ताव करता है और उनका मूल्यांकन करता है, जो यह प्रदर्शित करता है कि जबकि अनुमानित विधियाँ बिना किसी गलत सकारात्मकता (false positives) को पेश किए रूढ़िवादी रूप से ग्राफ की जटिलता को कम करती हैं, उनका प्रभाव डेटासेट की ज्यामिति के आधार पर काफी भिन्न होता है।

मूल लेखक: Jay-Anne Bulauan, John Rick Manzanares

प्रकाशित 2026-06-23✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jay-Anne Bulauan, John Rick Manzanares

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: भीड़ का मानचित्र बनाना

कल्पना कीजिए कि आपके पास लोगों की एक विशाल भीड़ है (आपका डेटा) और आप यह देखना चाहते हैं कि वे आपस में कैसे समूह में बँटे हुए हैं, ताकि आप उसका एक सरल मानचित्र बना सकें। आप हर एक व्यक्ति की सूची नहीं बनाना चाहते; आप बस यह जानना चाहते हैं कि उनके "पड़ोस" (neighborhoods) कौन से हैं।

Ball Mapper एक ऐसा टूल है जो यही करता है। यह कुछ "लैंडमार्क" (प्रतिनिधि लोग) चुनता है और प्रत्येक के चारों ओर एक घेरा (circle) बनाता है। यदि दो घेरे एक-दूसरे को ओवरलैप करते हैं, तो इसका मतलब है कि वे दो पड़ोस आपस में जुड़े हुए हैं, और टूल उनके बीच एक रेखा खींच देता है। परिणाम एक सरल ग्राफ होता है जो भीड़ का आकार दिखाता है: क्लस्टर कहाँ हैं, पुल (bridges) कहाँ हैं, और खाली जगहें (gaps) कहाँ हैं।

समस्या: इन घेरों को सही ढंग से बनाने के लिए, कंप्यूटर को भीड़ के हर एक व्यक्ति की जांच करनी पड़ती है कि क्या वे एक विशिष्ट घेरे के अंदर आते हैं। यदि आपके पास दस लाख लोग हैं, तो एक-एक करके यह जांच करना घास के ढेर में सुई खोजने जैसा है, जहाँ आपको घास के हर एक तिनके को व्यक्तिगत रूप से देखना पड़ता है। इसमें बहुत समय लगता है, खासकर यदि भीड़ एक विशाल, जटिल कमरे (high dimensions) में फैली हुई हो।

समाधान: खोजने के दो नए तरीके

लेखकों ने इस खोज प्रक्रिया को तेज करने के लिए दो अलग-अलग "सुपरपावर्स" का परीक्षण किया ताकि मानचित्र को जल्दी बनाया जा सके।

1. "स्मार्ट ऑर्गनाइज़र" (Ball Trees)

कल्पना कीजिए कि आप एक विशाल पुस्तकालय में एक विशिष्ट पुस्तक खोज रहे हैं।

पुराना तरीका: आप हर एक गलियारे में जाते हैं और हर शेल्फ पर रखी हर किताब की जांच करते हैं।
Ball Tree वाला तरीका: पुस्तकालय को सेक्शन, फिर सब-सेक्शन, और फिर शेल्फ में व्यवस्थित किया गया है। ऑर्गनाइज़र जानता है कि यदि आपकी पुस्तक "फिक्शन" सेक्शन में है, तो आपको "कुकिंग" सेक्शन की जांच करने की आवश्यकता नहीं है। Ball Tree इसका एक डिजिटल संस्करण है। यह डेटा को नेस्टेड बुलबुलों (nested bubbles) में समूहित करता है। यदि कोई बुलबुला आपके खोज बिंदु से बहुत दूर है, तो कंप्यूटर तुरंत उस पूरे बुलबुले को अनदेखा कर देता है।
चुनौती: यह छोटे, व्यवस्थित कमरों (low dimensions) में बहुत अच्छा काम करता है। लेकिन यदि कमरा बहुत बड़ा है और फर्नीचर इधर-उधर बिखरा हुआ है (high dimensions), तो ये "सेक्शन" मददगार नहीं रह जाते, और ऑर्गनाइज़र भ्रमित हो जाता है।

2. "तेज स्काउट" (FAISS)

कल्पना कीजिए कि आपके पास सुपर-फास्ट स्काउट्स की एक टीम है जो विशेष चश्मे (SIMD और BLAS तकनीक) का उपयोग करके एक साथ हजारों लोगों को देख सकती है।

सटीक स्काउट (Exact Scout): वे सभी की जांच करते हैं, लेकिन वे इसे इतनी तेजी से करते हैं कि यह जादू जैसा लगता है। यह गति के लिए बहुत अच्छा है लेकिन इसके लिए बहुत अधिक मेमोरी की आवश्यकता होती है (जैसे कि स्काउट के सभी नोट्स को स्टोर करने के लिए एक बड़े गोदाम की आवश्यकता होना)।
अनुमानित स्काउट (Approximate Scout): कभी-कभी, और भी तेज़ होने के लिए, स्काउट कुछ लोगों की जांच छोड़ देते हैं या सटीक माप के बजाय एक त्वरित अनुमान का उपयोग करते हैं। वे उन कुछ लोगों को मिस कर सकते हैं जो घेरे के अंदर होने चाहिए थे, या वे घेरे के बिल्कुल किनारे पर मौजूद लोगों के बारे में अनिश्चित हो सकते हैं।

"अनुमानित" प्रश्न: क्या अंदाज़ा लगाना सुरक्षित है?

पेपर एक महत्वपूर्ण प्रश्न पूछता है: यदि हम "अनुमानित स्काउट" का उपयोग करते हैं जो छोटी गलतियाँ कर सकता है, तो क्या अंतिम मानचित्र टूट जाएगा?

लेखकों ने यह समझने के लिए नियमों का एक सेट विकसित किया कि जब स्काउट गलती करता है तो क्या होता है:

किसी व्यक्ति को भूल जाना (False Negative): स्काउट किसी व्यक्ति को घेरे में रखने में भूल जाता है।
- परिणाम: मानचित्र थोड़ा "पतला" दिख सकता है। यह पड़ोस के बीच कुछ कनेक्शन मिस कर सकता है, या उस गैप को भरने के लिए पास में ही एक अतिरिक्त लैंडमार्क चुन सकता है।
किसी ऐसे व्यक्ति को जोड़ना जो वहाँ नहीं होना चाहिए था (False Positive): स्काउट गलती से किसी ऐसे व्यक्ति को घेरे में डाल देता है जो वास्तव में दूर है।
- परिणाम: मानचित्र दो ऐसे पड़ोसों के बीच एक नकली कनेक्शन बना सकता है जो आपस में जुड़े हुए नहीं होने चाहिए।

बड़ी खोज:
लेखकों ने विभिन्न प्रकार की भीड़ (रैंडम क्लाउड, टाइट क्लस्टर्स और घुमावदार रेखाएं) के साथ इसका परीक्षण किया। उन्होंने पाया कि "तेज स्काउट्स" (FAFFS) रूढ़िवादी (conservative) व्यवहार करते हैं।

वे लगभग कभी भी घेरे में नकली लोग नहीं जोड़ते (कोई False Positives नहीं)।
वे ज्यादातर केवल किनारे के कुछ लोगों को मिस करते हैं (False Negatives)।

इसका मतलब है कि मानचित्र नकली कनेक्शनों के साथ "दूषित" नहीं होता है। यह बस थोड़ा कम विस्तृत हो सकता है या इसमें कुछ रेखाएं कम हो सकती हैं।

भीड़ का आकार कैसे मायने रखता है

पेपर ने पाया कि डेटा का आकार यह तय करता है कि "गलतियाँ" कितनी महत्वपूर्ण हैं:

रैंडम क्लाउड (Isotropic Gaussian): यह एक धुंधले कमरे की तरह है जहाँ लोग समान रूप से बिखरे हुए हैं। यह गलतियों के प्रति सबसे संवेदनशील है। यदि स्काउट कुछ लोगों को मिस करता है, तो मानचित्र कई कनेक्शन खो देता है क्योंकि हर कनेक्शन उन विशिष्ट लोगों पर निर्भर करता है।
क्लस्टर्स (Mixture Model): यह दोस्तों के अलग-अलग समूहों वाले कमरे की तरह है। यह अधिक स्थिर है। यदि स्काउट एक समूह में एक व्यक्ति को मिस करता है, तो उस समूह के अन्य दोस्त उस कनेक्शन को बनाए रखते हैं।
घुमावदार रेखा (Noisy Curve): यह एक लंबी लाइन में खड़े लोगों की तरह है। यह सबसे स्थिर है। भले ही स्काउट कुछ लोगों को मिस कर दे, रेखा इतनी स्पष्ट है कि मानचित्र एकदम सही रहता है।

ट्रेड-ऑफ (समझौता)

Ball Trees: छोटे, सरल कमरों के लिए अच्छे हैं। ये कम मेमोरी का उपयोग करते हैं लेकिन बड़े, जटिल कमरों में धीमे हो जाते हैं।
FAISS (Exact): बहुत बड़े, जटिल कमरों के लिए सबसे तेज़ है, लेकिन इसके लिए बहुत अधिक कंप्यूटर मेमोरी की आवश्यकता होती है।
FAISS (Approximate): सबसे तेज़ विकल्प है। यह कम मेमोरी और समय का उपयोग करता है। पेपर साबित करता है कि हालांकि यह कुछ विवरण मिस कर सकता है, लेकिन यह नकली संरचनाएं पैदा नहीं करेगा। यदि आपको गति की आवश्यकता है, तो यह एक सुरक्षित समझौता है।

सारांश

लेखकों ने जटिल डेटा के मानचित्र बनाने का एक तेज़ तरीका बनाया है। उन्होंने साबित किया कि डेटा बिंदुओं को खोजने के लिए "स्मार्ट शॉर्टकट" (अनुमानित खोज) का उपयोग करना सुरक्षित है: यह आपको उन कनेक्शनों को देखने के लिए धोखा नहीं देगा जो वहां मौजूद नहीं हैं। यह बस मानचित्र को थोड़ा कम विस्तृत बना सकता है, और आप कितना विवरण खोते हैं यह इस बात पर निर्भर करता है कि आपका डेटा एक रैंडम कोहरे जैसा है, क्लस्टर्स का एक सेट है, या एक स्पष्ट रेखा है।

तकनीकी सारांश: कुशल बॉल मैपर निर्माण के लिए सटीक और अनुमानित रेंज क्वेरीज़

समस्या विवरण

बॉल मैपर (Ball Mapper) एक टोपोलॉजिकल डेटा एनालिसिस टूल है जो मीट्रिक बॉल्स (metric balls) का उपयोग करके परिमित मीट्रिक डेटासेट को संक्षेपित करता है और ओवरलैप्स को एक ग्राफ के रूप में एनकोड करता है। इस ग्राफ के निर्माण के लिए एक भूडी (greedy) एल्गोरिदम पर निर्भर किया जाता है जो लैंडमार्क्स (एक $\varepsilon$ -net) के सेट का चयन करता है, जहाँ प्रत्येक नया लैंडमार्क $\varepsilon$ दूरी के भीतर सभी डेटा बिंदुओं की पहचान करने के लिए एक फिक्स्ड-रेडियस रेंज क्वेरी की आवश्यकता रखता है। बड़े या उच्च-आयामी (high-dimensional) डेटासेट्स के लिए, यह बार-बार होने वाली रेंज क्वेरी प्रक्रिया एक कम्प्यूटेशनल बाधा बन जाती है। नेटिव इम्प्लीमेंटेशन (naive implementations) आयाम और अवलोकनों की संख्या दोनों के साथ खराब तरीके से स्केल करते हैं, जिससे "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) उत्पन्न होता है जहाँ ज्यामितीय इंडेक्सिंग विधियाँ प्रूनिंग दक्षता खो देती हैं।

यह कार्य बॉल मैपर में कुशल रेंज क्वेरी कार्यान्वयन की आवश्यकता को संबोधित करता है। यह दो त्वरण रणनीतियों (acceleration strategies) की जांच करता है: पदानुक्रमित स्थानिक डेटा संरचनाएं (Ball Trees) और अनुकूलित समानता खोज लाइब्रेरी (FAISS)। इसके अलावा, यह अनुमानित (approximate) रेंज क्वेरी की विशिष्ट चुनौती को भी संबोधित करता है। निकटतम-पड़ोसी (nearest-neighbor) समस्याओं के विपरीत जहाँ एक करीबी बिंदु मिलना पर्याप्त होता है, बॉल मैपर को एक त्रिज्या के भीतर सभी बिंदुओं की आवश्यकता होती है। यह शोध यह समझने का प्रयास करता है कि अनुमानित त्रुटियां (बिंदुओं का छूटना या गलत बिंदुओं का शामिल होना) परिणामी लैंडमार्क सेट, कवरिंग रेडियस और ग्राफ टोपोलॉजी को कैसे प्रभावित करती हैं।

कार्यप्रणाली (Methodology)

1. त्वरण तकनीकें (Acceleration Techniques)

लेखक रेंज क्वेरी चरण को तेज करने के लिए दो प्राथमिक दृष्टिकोणों का मूल्यांकन करते हैं:

Ball Trees: पदानुक्रमित डेटा संरचनाएं जो डेटासेट को सीमित उपसमुच्चयों (bounded subsets) में पुनरावर्ती रूप से विभाजित करती हैं। वे एक क्वेरी बॉल के साथ प्रतिच्छेदन (intersect) न कर सकने वाले सब-ट्री को हटाने के लिए त्रिकोण असमानता (triangle inequality) का उपयोग करती हैं। यह विधि मीट्रिक-अज्ञेय (metric-agnostic) है लेकिन इसकी दक्षता डेटा की ज्यामिति पर अत्यधिक निर्भर करती है।
FAISS (Facebook AI Similarity Search): सघन वेक्टर समानता खोज के लिए अनुकूलित एक लाइब्रेरी।
- सटीक त्वरण (Exact Acceleration): फ्लैट इंडेक्स (जैसे, IndexFlatL2) का उपयोग करना जो एल्गोरिद्मिक जटिलता या लौटाए गए बिंदुओं के सेट को बदले बिना (फ्लोटिंग-पॉइंट प्रिसिजन तक) दूरी गणनाओं को तेज करने के लिए SIMD वेक्टराइजेशन, BLAS रूटीन और मल्टीथ्रेडिंग का लाभ उठाते हैं।
- अनुमानित त्वरण (Approximate Acceleration): गैर-व्यापक (non-exhaustive) इंडेक्स (जैसे, IndexIVFFlat, IndexHNSWFlat) या संपीड़ित (compressed) इंडेक्स (जैसे, IndexPQ, IndexSQ) का उपयोग करना। ये विधियाँ केवल डेटा के एक उपसमुच्चय की जांच करके या संपीड़ित निरूपण का उपयोग करके रनटाइम या मेमोरी को कम करती हैं, जिससे संभावित रूप से लौटाए गए बिंदुओं का सेट बदल जाता है।

2. अनुमान के लिए सैद्धांतिक ढांचा (Theoretical Framework for Approximation)

पेपर सटीक और अनुमानित रेंज क्वेरी के बीच अंतर करने के लिए नियत (deterministic) त्रुटि मॉडल तैयार करता है:

एडिटिव एरर मॉडल (Additive Error Model): एक ऑरेकल $\delta$ -सटीक है यदि अनुमानित रेंज सेट $\tilde{R}_\varepsilon(q)$ इस प्रकार है: $R_{\varepsilon-\delta}(q) \subseteq \tilde{R}_\varepsilon(q) \subseteq R_{\varepsilon+\delta}(q)$ ।
मल्टीप्लिकेटिव एरर मॉडल (Multiplicative Error Model): एक अनुमानित दूरी $\tilde{d}$ में सापेक्ष त्रुटि $\eta$ होती है यदि $(1-\eta)d \le \tilde{d} \le (1+\eta)d$ ।
रूढ़िवादी सन्निकटन (Conservative Approximation): एक ऑरेकल रूढ़िवादी है यदि $\tilde{R}_\varepsilon(q) \subseteq R_\varepsilon(q)$ , जिसका अर्थ है कि यह वास्तविक बिंदुओं को छोड़ सकता है (फॉल्स नेगेटिव) लेकिन कभी भी वास्तविक बॉल के बाहर के बिंदुओं को शामिल नहीं करेगा (कोई फॉल्स पॉजिटिव नहीं)।

लेखक सिद्ध करते हैं कि इन त्रुटि मॉडलों के तहत:

परिणामी लैंडमार्क सेट $L$ एक $(\varepsilon+\delta)$ -कवर रहता है और $(\varepsilon-\delta)$ -सेपरेटेड होता है।
अनुमानित नर्व (और इस प्रकार ग्राफ) $\varepsilon-\delta$ और $\varepsilon+\delta$ स्केल्स पर कंप्यूट किए गए सटीक नर्व्स के बीच स्थित होता है।
रूढ़िवादी सन्निकटन यह गारंटी देते हैं कि कंप्यूट किए गए लैंडमार्क्स के सटीक $\varepsilon$ -बॉल्स डेटासेट को कवर करते हैं, हालांकि लैंडमार्क्स सख्ती से $\varepsilon$ -सेपरेटेड नहीं हो सकते हैं।

3. अनुभवजन्य मूल्यांकन (Empirical Evaluation)

विभिन्न ज्यामिति वाले सिंथेटिक डेटासेट्स पर प्रयोग किए गए:

Isotropic Gaussian: असंरचित, उच्च-आयामी डेटा।
Gaussian Mixture: क्लस्टर्ड डेटा।
Noisy 1D Curve: निम्न-अंतर्निहित-आयामी (low-intrinsic-dimensional) संरचित डेटा।

अध्ययन ने रनटाइम, मेमोरी उपयोग और स्केलिंग व्यवहार के मामले में Ball Tree, FAISS (flat, IVF, HNSW) और बेसलाइन pyBallMapper की तुलना की। महत्वपूर्ण रूप से, अनुमानित प्रयोगों ने केवल गति के बजाय संरचनात्मक स्थिरता (रेंज रिकॉल/प्रिसिजन, एज रिकॉल/प्रिसिजन, लैंडमार्क काउंट और सेपरेशन) पर ध्यान केंद्रित किया।

मुख्य परिणाम (Key Results)

कम्प्यूटेशनल प्रदर्शन

रनटाइम: FAISS (फ्लैट इंडेक्स) ने सबसे अच्छा रनटाइम प्रदर्शन दिखाया, जो डेटासेट आकार ( $n$ ) और आयाम ( $D$ ) बढ़ने पर भी कम निष्पादन समय बनाए रखता है। इसने उच्च-आयामी सेटिंग्स में pyBallMapper की तुलना में दो से अधिक ऑर्डर की स्पीडअप हासिल की। Ball Trees कम आयामों में अच्छा प्रदर्शन करते हैं लेकिन जैसे-जैसे $D$ बढ़ता है, उनकी दक्षता तेजी से घटती है।
स्केलिंग: लॉग-लॉग रिग्रेशन ने दिखाया कि pyBallMapper आयाम के साथ द्विघात स्केलिंग ( $p \approx 2$ ) के करीब पहुँच रहा है, जबकि FAISS और Ball Trees काफी कम स्केलिंग एक्सपोनेंट ( $p < 1.7$ ) बनाए रखते हैं।
मेमोरी: सघन वेक्टर निरूपण और इंडेक्सिंग संरचनाओं के कारण FAISS का मेमोरी फुटप्रिंट सबसे अधिक था। Ball Trees और pyBallMapper अधिक मेमोरी-कुशल थे।

सन्निकटन के संरचनात्मक प्रभाव (Structural Effects of Approximation)

रूढ़िवादी व्यवहार (Conservative Behavior): सभी परीक्षण किए गए FAISS कॉन्फ़िगरेशन (IVF और HNSW) में, अनुमानित रेंज क्वेरी रूढ़िवादी थीं। उन्होंने शून्य फॉल्स पॉजिटिव उत्पन्न किए (प्रिसिजन 1.0 था) लेकिन फॉल्स नेगेटिव पेश किए (रिकॉल < 1.0)।
ग्राफ संरचना पर प्रभाव:
- एज लॉस (Edge Loss): मिस की गई रेंज मेंबरशिप के कारण प्राथमिक संरचनात्मक प्रभाव किनारों (edges) को हटाना (sparsification) था।
- लैंडमार्क चयन: एंड-टू-एंड प्रयोगों में, फॉल्स नेगेटिव के कारण कुछ बिंदु बिना कवर हुए रह गए, जिससे पास के अतिरिक्त लैंडमार्क्स का चयन हुआ। इससे न्यूनतम लैंडमार्क सेपरेशन $\varepsilon$ से कम हो गया, हालांकि कवरिंग रेडियस लक्ष्य $\varepsilon$ के करीब रहा।
ज्यामिति निर्भरता: अनुमान के प्रति संवेदनशीलता डेटा की ज्यामिति के आधार पर काफी भिन्न थी:
- Isotropic Gaussian: सबसे संवेदनशील। मध्यम अनुमान सेटिंग्स के परिणामस्वरूप महत्वपूर्ण एज लॉस हुआ (उदाहरण के लिए, $nprobe=32$ के साथ IVF ने केवल ~31% किनारों को रिकवर किया)।
- Gaussian Mixture: क्लस्टर्ड संरचना के कारण अधिक स्थिर, क्योंकि यह बॉल इंटरसेक्शन के लिए कई विटनेस (witnesses) प्रदान करता है।
- Noisy Curve: सबसे स्थिर। निम्न-आयामी संरचना ने अनुमानित इंडेक्स को लगभग 100% मेंबरशिप और किनारों को रिकवर करने की अनुमति दी।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह बॉल मैपर निर्माण के सैद्धांतिक गारंटियों से समझौता किए बिना टोपोलॉजिकल डेटा एनालिसिस में अनुमानित खोज को एकीकृत करने के लिए एक कठोर ढांचा प्रदान करता है। इसके मुख्य योगदान हैं:

कार्यान्वयन: यह भूडी बॉल मैपर निर्माण के लिए Ball Tree और FAISS कार्यान्वयन विकसित करता है और उनका बेंचमार्किंग करता है, यह प्रदर्शित करते हुए कि FAISS बड़े, उच्च-आयामी यूक्लिडियन डेटासेट्स के लिए बेहतर स्केलेबिलिटी प्रदान करता है।
सैद्धांतिक सीमाएँ: यह स्थापित करता है कि अनुमानित रेंज क्वेरी (एडिटिव या मल्टीप्लिकेटिव एरर मॉडल के तहत) ऐसे लैंडमार्क सेट और ग्राफ की ओर ले जाती है जो थोड़े विचलित (perturbed) स्केल्स पर सटीक निर्माणों द्वारा सीमित होते हैं।
अनुभवजन्य लक्षण वर्णन: यह प्रदर्शित करता है कि मानक FAISS अनुमानित इंडेक्स रूढ़िवादी (कोई फॉल्स पॉजिटिव नहीं) व्यवहार करते हैं, जो उन्हें बॉल मैपर निर्माण के लिए सुरक्षित बनाता है, बशर्ते उपयोगकर्ता एज स्पारसिफिकेशन और लैंडमार्क सेपरेशन में मामूली बदलाव को स्वीकार करे।
ज्यामिति संवेदनशीलता: यह रेखांकित करता है कि अनुमानित बॉल मैपर की स्थिरता समान नहीं है; यह डेटा की अंतर्निहित ज्यामिति पर अत्यधिक निर्भर है; क्लस्टर्ड और निम्न-आयामी संरचनाएं, आइसोट्रोपिक उच्च-आयामी डेटा की तुलना में अनुमानित त्रुटियों के प्रति अधिक मजबूत होती हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि बॉल मैमर की परिभाषा बदलने की आवश्यकता नहीं है, लेकिन इसके कम्प्यूटेशनल कार्यान्वयन को FAISS का उपयोग करके काफी सुधारा जा सकता है। हालांकि, उपयोगकर्ताओं को यह पता होना चाहिए कि अनुमान एक ट्रेड-ऑफ पेश करता है: ग्राफ कनेक्टिविटी के संभावित नुकसान और लैंडमार्क सेपरेशन में कमी के बदले में कम कम्प्यूटेशनल लागत।