TL;DR
- چکیده:.
- جستجوی شباهت چند برداری برای بازیابی معنایی دقیق در بسیاری از برنامههای کاربردی دنیای واقعی ضروری است،.
- و نمایشهای غنیتری نسبت به پارادایمهای تک برداری سنتی ارائه میدهد.
چه اتفاقی افتاد
چکیده:. جستجوی شباهت چند برداری برای بازیابی معنایی دقیق در بسیاری از برنامههای کاربردی دنیای واقعی ضروری است،.
و نمایشهای غنیتری نسبت به پارادایمهای تک برداری سنتی ارائه میدهد. به دلیل فقدان شاخص چند بردار بومی،.
روشهای موجود بر چارچوب فیلتر و پالایش ساخته شده بر شاخصهای تک بردار تکیه میکنند. با درمان بردارهای رمز در هر شی چند برداری به صورت مجزا و نادیده گرفتن همبستگیهای آنها،.
این روشها با یک معضل ذاتی مواجه میشوند:. فیلتر تهاجمیقربانی را به خاطر میآورد،.
در حالی که فیلتر محافظه کار هزینه محاسباتی گزافی را در طول پالایش متحمل میشود. برای پرداختن به این محدودیت،.
ما MV-HNSW،. اولین شاخص نمودار سلسله مراتبی بومیطراحی شده برای دادههای چند برداری را پیشنهاد میکنیم.
MV-HNSW یک تابع وزن لبه جدید را معرفی میکند که ویژگیهای اساسی (تقارن،. استحکام کاردینالیته و سازگاری پرس و جو) را برآورده میکند.
نمایه سازی مبتنی بر نمودار،. یک الگوریتم محاسباتی شباهت چند بردار شتاب یافته،.
و یک استراتژی جستجوی تقویت شده که به صورت پویا کاندیداهایی را که از نظر توپولوژیکی جدا شده. و در عین حال مرتبط هستند،.
کشف میکند. آزمایشهای گسترده بر روی هفت مجموعه داده واقعی نشان میدهد که MV-HNSW به عملکرد جستجوی پیشرفتهای دست مییابد،.
و بیش از 90 درصد یادآوری را حفظ میکند و در عین حال تأخیر جستجو را تا 14. 0 دلار\ برابر دلار در مقایسه با روشهای موجود کاهش میدهد.
صفحه، 8 شکل پایگاههای داده (cs. DB) استناد بهعنوان: (یا v1 [cs.
DB] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Yuxiang Zeng [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
07:. 31:.
41 UTC (478 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.