STABLE：基于幅度均匀性与基数鲁棒性的高效混合最近邻搜索
信息检索
2026-04-03 v1
摘要
混合近似最近邻搜索（Hybrid ANNS）是大规模异构数据搜索的基础技术，已在学术界和工业界获得广泛关注。然而，当前方法忽视了数据分布的异构性，从而忽略了两个主要挑战：面向相似度幅度异构性的 Compatibility Barrier 以及面向属性基数容忍度的 Tolerance Bottleneck。为克服这些问题，我们提出了 robuSt heTerogeneity-Aware hyBrid retrievaL framEwork，称为 STABLE，旨在应对各种分布下的异构数据下的 accurate、efficient 且 robust 的混合 ANNS。具体而言，我们引入了 enhAnced heterogeneoUs semanTic perceptiOn（AUTO）指标，以实现对特征相似度和属性一致性的联合度量，解决相似度幅度异构性问题，提高对 various attribute cardinalities 数据集的鲁棒性。随后，我们基于 AUTO 构建了 Heterogeneous sEmantic reLation graPh（HELP）索引，用于组织异构语义关系。最后，我们采用 novel Dynamic Heterogeneity Routing 方法以确保高效搜索。在具有 various attribute cardinalities 的五个特征向量基准上的大量实验表明，STABLE 的性能卓越。
引用
@article{arxiv.2604.01617,
title = {STABLE: Efficient Hybrid Nearest Neighbor Search via Magnitude-Uniformity and Cardinality-Robustness},
author = {Qianyun Yang and Zhiwei Chen and Yupeng Hu and Zixu Li and Zhiheng Fu and Liqiang Nie},
journal= {arXiv preprint arXiv:2604.01617},
year = {2026}
}
备注
Accepted by IEEE TKDE