양자화가 그래프를 형성하도록
QuIVer는 이진 양자화를 그래프 인덱스 자체의 거리 공간으로 사용할 수 있는지 묻습니다. 학습 없는 2비트 코드는 부호와 크기 비트를 결합해 Vamana 간선 선택, 다양성 가지치기, 쿼리 탐색을 모두 양자화 공간에서 수행합니다.
압축된 탐색, 정확한 재정렬
쿼리를 이진 서명으로 인코딩하고 비트 연산으로 후보를 순회합니다. 전체 float32 벡터는 마지막 재정렬 때만 읽어 자주 접근하는 서명과 인접 목록을 드물게 읽는 전체 정밀도 데이터와 분리합니다.
학습된 코드북이나 회전 행렬이 필요하지 않습니다. 양자화가 구축과 탐색에 참여하므로 토폴로지, 계산, 메모리 배치를 압축 표현에 맞춰 함께 설계할 수 있습니다.
시스템을 데이터 기하와 함께 평가
백만 규모의 데이터셋 12개 실험은 강한 분포 의존성을 보여 줍니다. 코사인 공간의 대조 학습 임베딩이 가장 잘 맞고, 일부 멀티모달 표현이 그 뒤를 따르며, 원래 유클리드 공간의 데이터나 비구조 데이터에서는 성능이 좋지 않습니다.
압축, 처리량, 데이터 적합성의 절충을 명확히 드러내며 후속 양자화 이론 연구를 위한 시스템 기반을 제공합니다.
읽기와 인용
논문 원문에서 더 살펴보세요.
전체 유도 과정, 실험 설정과 결과는 공개된 원고에서 확인할 수 있습니다.