De l’erreur de distance au choix concret
La recherche vectorielle décide sans cesse quel candidat est plus proche et quelle arête conserver. L’erreur moyenne et la corrélation globale des rangs n’expliquent pas les échecs de ces décisions locales ; ce travail analyse donc les comparaisons exécutées par l’algorithme.
Les grandeurs clés sont la marge initiale entre candidats et la capacité de l’erreur à la franchir. L’analyse distingue le risque près de la frontière de décision du comportement des queues des résidus calibrés, y compris les corrélations dues à une requête ou à un nœud partagé.
Relier les décisions locales à une trace de graphe
Pour la sélection des voisins de Vamana avec un ordre de candidats fixé, l’article relie l’accord sur chaque décision d’élagage à l’accord de la liste finale des voisins dans un état exact figé.
Lorsque les hypothèses de distribution sont peu fiables, des blocs de validation indépendants estiment le risque d’une règle de quantification fixe. Codes binaires, RaBitQ, Lucene BBQ et quantification produit peuvent être étudiés par la même interface de décision.
Choisir la quantification pour le processus de recherche
Sur des représentations apprises, classiques et synthétiques, les marges de comparaison normalisées prédisent mieux les inversions de classement et d’élagage que la corrélation globale des rangs. L’étude porte sur des ensembles de candidats fixes et des traces figées ; le rappel de bout en bout dépend aussi de la couverture des candidats.
Lire et citer
Poursuivez avec l’article original.
Les démonstrations complètes, le protocole expérimental et les résultats figurent dans le manuscrit public.