基于逃逸硬度动态检测与修复的高效近似最近邻搜索

近似最近邻搜索（ANNS）已成为许多实际应用中的基本组件。在各种ANNS算法中，基于图的方法处于领先地位。然而，ANNS在特定查询（尤其是外分布查询，OOD）场景下常会出现显著的准确率下降。为解决此问题，最近方法RoarGraph在基本数据和历史查询之间构建二分图，以弥合两个不同分布之间的差距。然而，它存在若干局限性：（1）在两个分布之间构建二分图缺乏理论支持，导致查询分布未被有效利用索引图；（2）需要大量历史查询才能构建图索引，且构建时间较长；（3）当查询工作量变化时，需要重新构建以维持高搜索准确率。本文首先提出逃逸硬度（Escape Hardness）指标，用于评估查询附近图结构的质量。随后，我们将图搜索分为两个阶段，基于逃逸硬度在每个阶段动态识别并修复损坏的图区域。（1）从进入点到查询附近区域，我们提出可达性修复（RFix），增强关键节点的可导航性。（2）在查询附近区域的搜索，我们提出邻域图缺陷修复（NGFix），改善查询密集分布区域的图连通性。大量实验结果表明，我们的方法在真实数据集上优于其他最先进方法，在99%召回率下，相较于RoarGraph实现搜索速度提升最高可达2.25倍，相较于HNSW实现速度提升最高可达6.88倍。还将索引构建速度相较于RoarGraph提升2.35-9.02倍。