DARTH：面向近似最近邻搜索的基于提前终止的声明式召回
数据库
2025-08-19 v2
摘要
近似最近邻搜索（ANNS）在性能和召回率（即结果质量）之间呈现出固有的权衡。每种 ANNS 算法都提供其自身依赖算法的参数，以允许应用程序影响其搜索的召回率/性能权衡。这种情况存在双重问题。首先，应用程序开发者必须试验这些依赖算法的参数，以微调出为每个用例产生所需召回率的参数。这个过程通常需要耗费大量精力。更糟糕的是，所选参数可能对某些查询产生良好的召回率，但对困难查询产生糟糕的召回率。为了解决这些问题，我们提出了 DARTH，一种使用目标声明式召回的方法。DARTH 通过采用集成到搜索算法中的自适应提前终止策略，在 ANNS 索引之上提供了一种实现目标声明式召回的新方法。通过广泛的实验，我们证明 DARTH 有效地满足了用户定义的召回目标，同时实现了显著的加速，对于 HNSW 高达 14.6 倍（平均：6.8 倍；中位数：5.7 倍），对于 IVF 高达 41.8 倍（平均：13.6 倍；中位数：8.1 倍），均比无提前终止的搜索更快。本文发表于 ACM SIGMOD 2026。
引用
@article{arxiv.2505.19001,
title = {DARTH: Declarative Recall Through Early Termination for Approximate Nearest Neighbor Search},
author = {Manos Chatzakis and Yannis Papakonstantinou and Themis Palpanas},
journal= {arXiv preprint arXiv:2505.19001},
year = {2025}
}
备注
This paper appeared in ACM SIGMOD 2026