DiskANN
PulseAugur coverage of DiskANN — every cluster mentioning DiskANN across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Milvus vs. Qdrant：生产架构与性能深度解析
本文详细比较了两种主流向量数据库 Milvus 和 Qdrant 的生产架构和性能。文章重点介绍了 Milvus 的解耦存储和计算模型，适用于大规模、多租户部署，以及 Qdrant 的 Rust 原生、共享磁盘架构，针对低延迟内存访问进行了优化。分析深入探讨了处理超出可用 RAM 数据集的关键内存优化技术，如分层可导航小世界（HNSW）图、标量量化（SQ8）和内存映射 DiskANN。在相同硬件上的基准测试显示，Milvus 在分布式…
-
HyperPage 使用学习布局优化磁盘驻留图向量索引
研究人员开发了 HyperPage，一种优化磁盘驻留图向量索引的新颖方法。与 Starling 和 MARGO 等之前的布局不同，HyperPage 利用强化学习和搜索代理遍历的日志来创建针对特定内存预算量身定制的页面布局。该方法旨在通过智能地将记录及其关联的图边分组到 SSD 页面上来最小化页面读取次数。测试表明，在各种缓存预算下，HyperPage 与 MARGO 相比，页面读取次数减少了 5.2% 至 21.2%，在较小的缓存尺…
-
GraphRAG 面临安全恐慌，新漏洞浮现
检索增强生成（RAG）的最新进展同时突显了效率的提升和新兴的安全问题。几篇 arXiv 论文探讨了比传统 GraphRAG 更便宜的替代方案，例如 Matryoshka Hierarchical RAG（MatRAG），它使用可变维度嵌入来实现多跳问答，并降低了成本。然而，在 GraphRAG 管道中发现了一个新漏洞，即使是辅助索引结构的一小部分被篡改，也可能显著劫持系统的答案。研究还在继续改进 RAG 策略，研究结果表明，对于科学问…
-
SOLO索引通过扫描式采样倒排列表提供认证召回率，并减少内存占用
研究人员推出了一种新颖的度量空间近似最近邻搜索索引SOLO，它无需启发式排序即可提供认证召回率。该方法直接从索引本身计算召回率，能够通过对查询样本进行真实值传递来认证所有操作点的性能。与HNSW、DiskANN和SPANN等现有方法相比，SOLO在吞吐量方面具有竞争力，并且内存使用量显著减少，在大型数据集上以最小的内存占用实现了高召回率。
-
LLM引导的剪枝增强最近邻搜索索引
研究人员开发了一个名为LLM-Guided Graph Pruning (LGP) 的新框架，以提高近似最近邻搜索 (ANNS) 索引的性能。该方法使用大型语言模型 (LLMs) 来优化现有的 ANN 图索引，通过识别并用语义相关的替代项替换结构上价值较低的邻居。实验表明，LGP 在 DiskANN 和 HNSW 等各种 ANN 索引上都能提高端到端检索性能，优于传统的贪婪搜索和基于 LLM 的重新排序。
-
新方法改进了数据流失下的图近似最近邻（ANN）索引修复
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。
-
SQL Server 2025 集成原生 AI，支持向量数据类型和外部模型
Microsoft 正在将先进的 AI 功能直接集成到 SQL Server 2025 和 Azure SQL Database 中，将它们转变为一流的 AI 平台。主要功能包括具有 DiskANN 索引的原生 VECTOR 数据类型，用于语义搜索，以及将外部 AI 模型（例如来自 Azure OpenAI 的模型）注册为数据库对象的能力。这使得在 SQL Server 中可以原生实现检索增强生成 (RAG)，无需单独的向量数据库，从…