English(EN) Near-Optimal Dimension Lower Bounds for Single-Vector Embeddings of Maximum Inner Product Similarity

新研究确立了单向量嵌入的近最优降维界限

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-22 17:27

研究人员开发了一种新方法，用于确立最大内积相似性中使用的单向量嵌入的近最优降维界限。这项工作通过提供一个接近现有上界的更紧密的界限，弥补了先前研究中的不足。新的证明技术结合了 Sherstov 的模式矩阵方法与 DNF 公式和多项式逼近来实现这一结果。 AI

影响这项研究有助于加深对嵌入的理论理解，可能影响未来用于相似性搜索的 AI 模型架构。

排序理由该集群包含一篇在 arXiv 上发表的关于理论计算机科学发现的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · David P. Woodruff · 2026-07-22 17:27

最大内积相似度单向量嵌入的近最优维度下界

Multi-vector embeddings represent items by point clouds and compare query and document point clouds using Chamfer similarity, whereas single-vector embeddings use ordinary inner products. For singleton queries, Chamfer becomes maximum inner product similarity (MAX-IP). In our set…