Source: https://www.astrmira.com/fr/research/papers/quiver/ Language: fr [Accueil](https://www.astrmira.com/fr/)/[Recherche](https://www.astrmira.com/fr/research/)/2605.02171 SEARCH SYSTEMS / ARXIV:2605.02171 # QuIVer : construire le graphe de recherche directement dans l’espace binaire 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. [Lire sur arXiv](https://arxiv.org/abs/2605.02171)[Ouvrir le PDF de cette version](https://arxiv.org/pdf/2605.02171v3) Informations sur l’article **Auteurs**: Wenxuan Xiao, Peidong Zhu, Zhiyou Wang, Chengcheng Li **Première soumission**: 2026-05-04 **Dernière révision**: 2026-05-17 **Version publique**: arXiv 2605.02171v3 Plus proches voisins approximatifs · Index de graphes · Quantification binaire Parcourir un graphe binaire compact, puis reclasser un petit ensemble de candidats avec les vecteurs d’origine. ## Laisser la quantification façonner le graphe QuIVer demande si la quantification binaire peut constituer l’espace métrique de l’index lui-même. Un code à deux bits sans apprentissage combine signe et magnitude : sélection d’arêtes Vamana, élagage de diversité et navigation opèrent tous dans l’espace quantifié. ## Navigation compacte, reclassement exact Les requêtes deviennent des signatures binaires qui parcourent les candidats par opérations bit à bit. Les vecteurs float32 complets ne sont lus qu’à la fin pour le reclassement, séparant signatures et listes d’adjacence souvent consultées des données complètes rarement lues. Aucun dictionnaire appris ni matrice de rotation n’est requis. La quantification participant à la construction comme à la navigation, topologie, calcul et organisation mémoire peuvent être conçus ensemble autour de la représentation compacte. ## Évaluer le système avec la géométrie des données Les expériences sur douze jeux de données à l’échelle du million montrent une forte dépendance à la distribution : les plongements contrastifs en espace cosinus conviennent le mieux, puis certaines représentations multimodales ; les données naturellement euclidiennes ou non structurées donnent de mauvais résultats. Le travail explicite le compromis entre compression, débit et compatibilité des données, et fournit une base système aux recherches ultérieures sur la théorie de la quantification. 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/2605.02171) [Article complet en PDF ↗](https://arxiv.org/pdf/2605.02171v3) Articles associés REPRESENTATION GEOMETRY · 2026.05 ### Que reste-t-il avec un ou deux bits ? Wenxuan Xiao En quelques mots 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. Géométrie des représentations · Quantification binaire [Découvrir cette recherche](https://www.astrmira.com/fr/research/papers/covariance-binary-quantization/) [arXiv](https://arxiv.org/abs/2605.17524) 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)