基于密度感知量化和多阶段重排序的 AQR-HNSW：加速近似最近邻搜索
信息检索
2026-02-26 v1
摘要
近似最近邻（ANN）搜索已成为现代 AI 基础设施的基本要素，为来自 Google 到 OpenAI 的各行业领袋的推荐系统、搜索引擎和大型语言模型提供动力。分层可导航小世界（HNSW）图已成为主导的 ANN 算法，广泛应用于生产系统 due to 其优异的召回率与延迟平衡。然而，随着向量数据库扩展到数十亿嵌入，HNSW 面临关键瓶颈：内存消耗扩大、距离计算开销主导查询延迟，以及在异构数据分布上表现次佳。本文提出了自适应量化和重排序 HNSW（AQR-HNSW），一种新型框架，通过融合三种策略来增强 HNSW 可扩展性。AQR-HNSW 引入 (1) 密度感知自适应量化，在保持距离关系的同时实现 4 倍压缩；(2) 多状态重排序，通过减少不必要的计算实现降低 35%；(3) 量化优化 SIMD 实现，实现跨架构 16-64 运算/周期。标准基准测试显示，与最先进的 HNSW 实现相比，AQR-HNSW 每秒查询数（QPS）提高 2.5-3.3 倍，同时保持超过 98% 的召回率，索引图内存降低 75%，索引构建速度提升 5 倍。
引用
@article{arxiv.2602.21600,
title = {AQR-HNSW: Accelerating Approximate Nearest Neighbor Search via Density-aware Quantization and Multi-stage Re-ranking},
author = {Ganap Ashit Tewary and Nrusinga Charan Gantayat and Jeff Zhang},
journal= {arXiv preprint arXiv:2602.21600},
year = {2026}
}
备注
Accepted at DAC 2026