kNN-Graph: Schnellere Klassifikation ohne Genauigkeitsverlust

Der klassische k‑Nearest‑Neighbors‑Algorithmus (kNN) bleibt ein Eckpfeiler der nichtparametrischen Klassifikation in der künstlichen Intelligenz. In groß angelegten Anwendungen stößt er jedoch immer wieder an die Grenze zwischen Rechenzeit und Genauigkeit. Aktuelle Approximationstechniken beschleunigen die Nachbarsuche, aber oft zulasten der Präzision und der Flexibilität bei der Wahl der optimalen Nachbarschaftsgröße k.

Eine neue Lösung aus dem Forschungsbereich der Graphmodelle löst dieses Problem: Das adaptive kNN‑Graph‑Modell kombiniert einen Hierarchical Navigable Small World (HNSW) Graphen mit einem vorab berechneten Voting‑Mechanismus. Dadurch wird die gesamte Rechenlast für die Nachbarschaftsauswahl und Gewichtung auf die Trainingsphase verlagert. In der Graphstruktur ermöglichen höhere Ebenen eine rasche Navigation, während tiefere Ebenen präzise, knotenbasierte Entscheidungsgrenzen mit variabler Nachbarschaftsgröße darstellen.

In umfangreichen Benchmarks, die acht führende Baselines auf sechs unterschiedlichen Datensätzen vergleichen, zeigte das Modell eine signifikante Beschleunigung der Inferenzzeiten. Es erreicht Echtzeit‑Leistung, ohne die Klassifikationsgenauigkeit zu beeinträchtigen. Diese Ergebnisse liefern einen skalierbaren, robusten Ansatz, der das langjährige Engpassproblem der kNN‑Inference überwindet und ein neues strukturelles Paradigma für graphbasierte, nichtparametrische Lernverfahren etabliert.