질문.
근거. 그리고 진전.

연구 소개

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

벡터 검색이 실제로 수행하는 순위 비교와 그래프 가지치기 안에서 양자화 오차를 분석하고, 신뢰성을 비교 마진, 상관된 잔차, 실행 경로와 연결합니다.

벡터 검색 · 의사결정 안정성

연구 소개

Contextual Utility of Quantization Moves in Extreme Low-Bit LLMs

극저비트 대규모 언어 모델에서 이산 변경을 그 경로를 따라 평가하고, 변화하는 모델 상태에서 결정을 조합해 실제 효용을 연구합니다.

대규모 언어 모델 양자화 · 사후 학습

연구 소개

Covariance Structure and Coordinate Heterogeneity Govern Binary Quantization of Contrastive Embeddings

공분산 구조와 좌표별 이질성으로 저비트 순위 동작을 설명하며, 추가 크기 비트와 무작위 회전이 표현마다 다르게 작용하는 이유를 연구합니다.

표현 기하 · 이진 양자화

연구 소개

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

학습이 필요 없는 2비트 공간에서 ANN 그래프를 구축하고 가지치기하며 탐색합니다. 전체 벡터는 최종 재정렬에서만 읽고, 이 압축된 토폴로지가 잘 맞는 데이터 조건을 밝힙니다.

근사 최근접 이웃 · 그래프 인덱스