Source: https://www.astrmira.com/de/research/papers/quiver/
Language: de

[Startseite](https://www.astrmira.com/de/)/[Forschung](https://www.astrmira.com/de/research/)/2605.02171

SEARCH SYSTEMS / ARXIV:2605.02171

# QuIVer: den Suchgraphen direkt im binären Raum aufbauen

QuIVer: Rethinking ANN Graph Topology via Training-Free Binary Quantization

Baut, beschneidet und durchsucht einen ANN-Graphen in einem trainingsfreien Zweibit-Raum. Vollständige Vektoren werden nur zur abschließenden Neusortierung gelesen; die Arbeit zeigt, für welche Daten diese kompakte Topologie geeignet ist.

[Auf arXiv lesen](https://arxiv.org/abs/2605.02171)[PDF dieser Version öffnen](https://arxiv.org/pdf/2605.02171v3)

Angaben zum Artikel

**Autoren**: Wenxuan Xiao, Peidong Zhu, Zhiyou Wang, Chengcheng Li

**Erstmals eingereicht**: 2026-05-04

**Zuletzt überarbeitet**: 2026-05-17

**Öffentliche Version**: arXiv 2605.02171v3

Approximative nächste Nachbarn · Graphindizes · Binäre Quantisierung

Mit einem kompakten Binärgraphen navigieren und eine kleine Kandidatenmenge mit den ursprünglichen Vektoren neu ordnen.

## Quantisierung den Graphen formen lassen

QuIVer fragt, ob binäre Quantisierung den metrischen Raum des Graphindex selbst bilden kann. Ein trainingsfreier Zweibit-Code kombiniert Vorzeichen und Betrag, sodass Vamana-Kantenauswahl, Diversitätsbeschneidung und Anfragenavigation vollständig im quantisierten Raum arbeiten.

## Kompakte Navigation, exakte Neusortierung

Anfragen werden zu Binärsignaturen kodiert und Kandidaten mit Bitoperationen durchlaufen. Vollständige float32-Vektoren werden erst am Ende zur Neusortierung gelesen. Häufig genutzte Signaturen und Nachbarschaftslisten bleiben so von selten gelesenen Daten voller Genauigkeit getrennt.

Weder ein gelerntes Codebuch noch eine Rotationsmatrix ist nötig. Da Quantisierung Aufbau und Navigation mitbestimmt, lassen sich Topologie, Berechnung und Speicherlayout gemeinsam auf die kompakte Repräsentation ausrichten.

## Systeme zusammen mit der Datengeometrie bewerten

Experimente mit zwölf Datensätzen im Millionenmaßstab zeigen eine starke Verteilungsabhängigkeit: Kontrastive Embeddings im Kosinusraum passen am besten, einige multimodale Repräsentationen folgen; ursprünglich euklidische oder unstrukturierte Daten schneiden schlecht ab.

Die Arbeit macht den Kompromiss zwischen Kompression, Durchsatz und Dateneignung deutlich und schafft eine Systemgrundlage für spätere Forschung zur Quantisierungstheorie.

Lesen und zitieren

## Im Originalartikel weiterlesen.

Vollständige Herleitungen, Versuchsaufbau und Ergebnisse finden Sie im öffentlich zugänglichen Manuskript.

[Zusammenfassung und Versionsverlauf ↗](https://arxiv.org/abs/2605.02171)  
[Vollständiger Artikel als PDF ↗](https://arxiv.org/pdf/2605.02171v3)

Verwandte Artikel

REPRESENTATION GEOMETRY · 2026.05

### Was bleibt bei einem oder zwei Bits erhalten?

Wenxuan Xiao

Forschung im Überblick

Covariance Structure and Coordinate Heterogeneity Govern Binary Quantization of Contrastive Embeddings

Erklärt Rangverhalten bei niedriger Bitbreite durch Kovarianz und unterschiedliche Koordinatenskalen, einschließlich der unterschiedlichen Wirkung eines zusätzlichen Betragsbits und zufälliger Rotation auf verschiedene Repräsentationen.

Repräsentationsgeometrie · Binäre Quantisierung

[Diese Forschung entdecken](https://www.astrmira.com/de/research/papers/covariance-binary-quantization/)

[arXiv](https://arxiv.org/abs/2605.17524)

VECTOR SEARCH · 2026.09

### Wann treffen komprimierte Vektoren dieselben Entscheidungen?

Wenxuan Xiao · Xu Cao

Forschung im Überblick

When Does Low-Bit Quantization Preserve the Decisions of Vector Search?

Untersucht Quantisierungsfehler in den tatsächlichen Rang- und Graphbeschneidungsentscheidungen der Vektorsuche und verbindet deren Zuverlässigkeit mit Vergleichsmargen, korrelierten Residuen und Ausführungsspuren.

Vektorsuche · Entscheidungsstabilität

[Diese Forschung entdecken](https://www.astrmira.com/de/research/papers/low-bit-decisions/)

[arXiv](https://arxiv.org/abs/2609.09854)