研究人员开发了一种新的图近似最近邻（ANN）索引修复方法，该索引容易因删除而损失召回率。所提出的方法基于可导航性退化信号触发局部边修复，而不是固定计划。发现在突发性数据流失条件下，与固定周期修复相比，这种信号触发的修复方法在保持尾部召回率方面更有效，尤其是在修复预算有限的情况下。该研究还引入了一个预算匹配的评估协议和一个可复现的数据流失-修复工具。 AI
影响 这项研究通过提高基于图的近似最近邻索引的准确性，尤其是在数据频繁变化的动态环境中，有望带来更健壮和高效的搜索系统。
排序理由 学术论文，详细介绍了图近似最近邻（ANN）索引修复的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
