面向最大内积搜索的局部正交分解
机器学习
2019-03-26 v1 机器学习
摘要
倒排文件与非对称距离计算（IVFADC）已成功应用于近似最近邻搜索以及随后的最大内积搜索。在此类框架中，矢量量化用于粗划分，而乘积量化用于量化残差。在原始 IVFADC 及其所有变体中，残差计算后，第二次乘积量化步骤与第一次矢量量化步骤完全独立。在这项工作中，我们寻求在执行非穷举搜索时利用这两步之间的联系。更具体地，我们将残差向量局部分解为两个正交分量，并对每个分量分别进行均匀量化与多尺度量化。所提出的方法称为局部正交分解，结合多尺度量化在相同比特率下一致地取得比先前方法更高的召回率。我们在大规模数据集上进行了综合实验以及详细的消融测试，证明了我们方法的有效性。
引用
@article{arxiv.1903.10391,
title = {Local Orthogonal Decomposition for Maximum Inner Product Search},
author = {Xiang Wu and Ruiqi Guo and Sanjiv Kumar and David Simcha},
journal= {arXiv preprint arXiv:1903.10391},
year = {2019}
}