Source: https://www.astrmira.com/fr/research/papers/covariance-binary-quantization/ Language: fr [Accueil](https://www.astrmira.com/fr/)/[Recherche](https://www.astrmira.com/fr/research/)/2605.17524 REPRESENTATION GEOMETRY / ARXIV:2605.17524 # Que reste-t-il avec un ou deux bits ? Covariance Structure and Coordinate Heterogeneity Govern Binary Quantization of Contrastive Embeddings Explique le classement à faible précision par la covariance et l’hétérogénéité des coordonnées, notamment les effets différents d’un bit de magnitude supplémentaire et d’une rotation aléatoire selon les représentations. [Lire sur arXiv](https://arxiv.org/abs/2605.17524)[Ouvrir le PDF de cette version](https://arxiv.org/pdf/2605.17524v2) Informations sur l’article **Auteurs**: Wenxuan Xiao **Première soumission**: 2026-05-17 **Dernière révision**: 2026-05-29 **Version publique**: arXiv 2605.17524v2 Géométrie des représentations · Quantification binaire · Covariance L’échelle des coordonnées et leurs relations déterminent ensemble l’information de classement conservée après compression. ## Pourquoi des conceptions opposées peuvent-elles fonctionner ? Certains systèmes de quantification binaire appliquent une rotation aléatoire, d’autres conservent les axes d’origine. À nombre de bits identique, la qualité varie fortement selon les représentations. L’article étudie ces observations par les statistiques des plongements contrastifs. ## Distinguer covariance et hétérogénéité des coordonnées Dans un modèle gaussien, toute la structure de covariance influe sur la fidélité des rangs ; les variances marginales seules omettent le signal accumulé entre coordonnées. Des variances inégales déterminent l’apport d’un bit de magnitude et si une rotation aide ou supprime une structure utile. La rotation égalise les variances et peut permettre une correction isotrope des distances, mais elle peut aussi effacer une hétérogénéité exploitée par un autre code. L’article établit des expressions approximatives de fidélité et des relations d’échelle empiriques entre modèles et dimensions. ## Faire de la structure des représentations un signal de conception Des expériences sur neuf familles de plongements et dix-huit jeux de données examinent covariance, bits de magnitude et rotation. Elles donnent des repères statistiques pour choisir encodage et prétraitement sous les hypothèses gaussiennes et d’approximation énoncées. Lire et citer ## Poursuivez avec l’article original. Les démonstrations complètes, le protocole expérimental et les résultats figurent dans le manuscrit public. [Résumé et historique des versions ↗](https://arxiv.org/abs/2605.17524) [Article complet en PDF ↗](https://arxiv.org/pdf/2605.17524v2) Articles associés VECTOR SEARCH · 2026.09 ### Quand des vecteurs comprimés prennent-ils les mêmes décisions ? Wenxuan Xiao · Xu Cao En quelques mots When Does Low-Bit Quantization Preserve the Decisions of Vector Search? Étudie l’erreur de quantification dans les décisions réelles de classement et d’élagage des graphes, en reliant leur fiabilité aux marges de comparaison, aux résidus corrélés et aux traces d’exécution. Recherche vectorielle · Stabilité des décisions [Découvrir cette recherche](https://www.astrmira.com/fr/research/papers/low-bit-decisions/) [arXiv](https://arxiv.org/abs/2609.09854) SEARCH SYSTEMS · 2026.05 ### QuIVer : construire le graphe de recherche directement dans l’espace binaire Wenxuan Xiao · Peidong Zhu · Zhiyou Wang · Chengcheng Li En quelques mots QuIVer: Rethinking ANN Graph Topology via Training-Free Binary Quantization Construit, élague et parcourt un graphe de voisins approximatifs dans un espace à deux bits sans apprentissage. Les vecteurs complets ne sont lus qu’au reclassement final, et les régimes de données adaptés à cette topologie sont explicités. Plus proches voisins approximatifs · Index de graphes [Découvrir cette recherche](https://www.astrmira.com/fr/research/papers/quiver/) [arXiv](https://arxiv.org/abs/2605.02171)