FusedANN：通过属性-向量融合实现凸化混合 ANN

向量搜索为 transformer 技术提供动力，但实际应用需要混合查询，这些查询将向量相似性与属性过滤相结合（例如：“在类别 X 中的 top 文档，来自 2023 年”）。当前解决方案在召回率、速度和灵活性之间进行权衡，依赖不稳健的索引技巧且难以扩展。我们引入 FusedANN（Fused Attribute-Vector Nearest Neighbor），一种几何框架，将过滤提升为 ANN 优化约束，并通过拉格朗日-like 松弛引入凸融合空间。我们的方法通过基于 transformer 的凸化技术联合嵌入属性和向量，将硬性过滤转化为保持 top-k 语义的连续加权惩罚，从而实现高效的近似搜索。我们证明，FusedANN 在高选择性下可还原为精确过滤，优雅地从在精确匹配不足时恢复到语义上最近的属性；并保持下游 ANN alpha-近似保证。经验上，FusedANN 通过消除脆弱的过滤阶段提高了查询吞吐量，在标准混合基准测试中实现了优于现有混合和图基系统的更好召回率-延迟权衡，实现了最高可达 3 倍的吞吐量提升。理论上，我们提供了明确的误差界和参数选择规则，使 FusedANN 可用于生产环境。这一工作在符号约束与向量相似性之间建立了原则化、可扩展且可验证的桥梁，为大规模、混合且动态的 NLP/ML 工作负载开辟了新的过滤检索系统。