Hierarchical Navigable Small World graphs
PulseAugur coverage of Hierarchical Navigable Small World graphs — every cluster mentioning Hierarchical Navigable Small World graphs across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
新框架保证 HNSW 搜索算法的准确性
研究人员开发了一个名为“Certify-then-Rectify”的新框架，以提高广泛用于信息检索的分层可导航小世界（HNSW）图的准确性。该方法首先使用统计认证器评估标准 HNSW 搜索的质量。如果质量较低，则会升级到精确恢复算法，利用图跨度和极值理论来限制搜索空间。评估表明，这种分层方法在保持 HNSW 速度的同时，保证了精确搜索的正确性。
-
新框架保证HNSW图的准确性，开销极小
研究人员开发了一个新的“认证后修正”（Certify-then-Rectify）框架，以提高分层可导航小世界（HNSW）图的准确性。HNSW图因其速度而被广泛使用，但缺乏理论正确性保证。该框架使用统计认证器评估HNSW搜索结果的质量，并在需要时升级到精确恢复算法。通过将HNSW图重新解释为几何跨度图并应用极值理论，该系统可以在数学上界定到真正最近邻的距离，从而实现HNSW的速度和精确搜索的最坏情况正确性。
-
新的RACORN-1算法提升过滤向量搜索性能
研究人员推出RACORN-1，这是ACORN-1算法的一个增强版本，旨在提高过滤向量搜索（FVS）的性能。FVS结合了向量相似性和元数据过滤，这对于RAG和检索系统至关重要。RACORN-1通过实现自适应搜索回退（ASF）和自适应精确回退（AEF）来解决ACORN-1在低选择性下的召回率崩溃问题。这些方法使该算法能够在显著降低延迟的同时保持高召回率，在各种数据集上均优于传统的HNSW方法。
-
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。
-
车载数字孪生框架检测女巫攻击，提升碰撞预警
研究人员开发了一种新的联网汽车碰撞预警框架，该框架集成了数字孪生（DT）和女巫攻击检测。该框架利用时间卷积网络（TCN）和分层可导航小世界（HNSW）算法来识别恶意的虚假车辆。现场实验证明了女巫攻击检测的高准确性，并显著降低了近碰撞指标，同时满足了安全应用的时延要求。
-
新研究提出本地优先信息检索以增强文档搜索隐私性
一篇新研究论文提出了一种信息检索系统的“本地优先信息检索”设计理念，优先在设备上进行索引、模型和推理，以增强隐私性和控制力。实验表明，密集检索模型可以在消费级硬件上处理多达10万份文档并保持高准确性，并且一个7B的本地语言模型表现与云端系统相当。研究强调，主要的权衡在于可搜索内容的范围而非质量。
-
研究发现：RAG 系统中的过时文档带来重大风险
埃默里大学和 IBM Research 进行的一项最新研究调查了过时文档对检索增强生成（RAG）系统的影响。实验表明，RAG 系统索引中的过时信息，类似于对抗性投毒，会导致模型响应不准确。该研究测试了三种检索配置：带有 HNSW 的密集向量检索、BM25 稀疏检索以及受管选择器。受管选择器根据资格和版本对文档进行预过滤，通过率为 97%，在处理过时数据和提供更强大的防御措施以抵御潜在的投毒攻击方面，其性能显著优于其他方法。
-
新的分层归一化方法提供精确的补丁描述符检索
研究人员开发了一种新颖的补丁描述符检索方法，该方法可确保精确的最近邻识别，同时显著降低计算负载。这种称为分层归一化（HN）的方法可实现确定性结果，这与现有的近似最近邻技术不同。HN将特征向量分为主要和次要组件，从而实现分支定界搜索，该搜索可修剪非必要数据并比暴力搜索方法实现显著的加速。
-
构建生产级RAG系统：从零开始到云部署
一系列文章详细介绍了检索增强生成（RAG）系统的开发，重点关注实际实现和设计选择。项目从基础RAG进展到整合工具使用、AI代理和用于将工具公开为服务器的模型上下文协议（MCP）。关键决策包括使用pgvector而非专用向量数据库、优化嵌入维度以及使用Gemini 2.5 Flash进行生成。该系列还涉及生产挑战，如数据过时、检索失败以及评估和可观察性的重要性。
-
向量数据库通过快速语义搜索赋能RAG
向量数据库对于检索增强生成（RAG）应用至关重要，它通过将含义转换为向量来实现高效的语义搜索。这些数据库使用近似最近邻（ANN）索引，例如分层可导航小世界（HNSW）图，以快速从数百万个向量中找到最相关的向量，其性能优于传统的关键词搜索。关键组件包括存储向量、原始文本和元数据，流行的选项有 Pinecone、Weaviate 和 Chroma。
-
向量数据库详解：面向AI工程师的语义搜索与RAG
本系列文章聚焦于向量数据库，解释其在AI应用中的作用，特别是对于语义搜索和检索增强生成（RAG）。内容涵盖向量数据库如何存储和索引数据为向量，实现超越关键词匹配的快速相似性搜索。文章还涉及嵌入模型的选择，并为AI工程师面试提供基于场景的问题。
-
新的RAG防御在准入时控制向量中心性
研究人员开发了一种新的方法来控制检索增强生成（RAG）系统中的向量中心性，解决了注入文档影响不相关查询的风险。提出的解决方案涉及一个准入时门控，该门控根据哨兵查询对候选文档进行评分，在将潜在的中心性文档插入系统之前将其隔离。这种方法旨在通过早期识别和隔离有问题文档来减轻投毒攻击，从而提高RAG系统的安全性和可靠性。
-
Databricks 发布 Lakebase Search，支持原生代理检索
Databricks 推出了 Lakebase Search，一项旨在增强 AI 代理检索能力的新功能。这项混合向量和全文搜索功能直接内置于 Lakebase Postgres 中，利用了两个新的 Postgres 扩展：lakebase_vector 和 lakebase_text。该系统旨在通过允许代理使用单一数据后端来处理与其运营工作负载（与人类用户需求显著不同）相关的任务，从而提供面向代理的人体工程学。
-
新型自适应kNN图模型加速AI推理速度
研究人员开发了一种自适应图模型，用于增强大规模AI应用的k近邻（kNN）算法。该新模型通过将分层可导航小世界（HNSW）图与预计算的投票机制相结合，将推理延迟与计算复杂性解耦。该方法将邻居选择的计算负担转移到训练阶段，从而能够更快地遍历较高的图层，并在较低的图层中实现精确的自适应邻居计数。跨六个数据集的基准测试表明，该架构在不牺牲分类准确性的情况下显著加快了推理速度，为kNN固有的推理瓶颈提供了可扩展的解决方案。
-
RedNote的HELMSMAN将ANNS硬件成本降低90%
RedNote（小红书）的研究人员开发了HELMSMAN，一个新颖的基于聚类的近似最近邻搜索（ANNS）系统，旨在显著降低大规模ANNS部署的硬件成本。通过集成用户空间存储栈、学习型剪枝模块和GPU加速构建流水线，HELMSMAN实现了可观的节省，将硬件成本降低了90%以上。该系统能够在数小时内处理数十亿规模的索引重建，并且目前支持在40台机器上运行ANNS工作负载，而此前这需要大约35,000个核心和0.35 PB的DRAM。
-
新的HNTL框架提升向量搜索效率
研究人员推出了一种新的向量内存系统框架HNTL（层级无指针切线局部），旨在提高近似最近邻搜索的效率。该方法将高维空间划分为局部段，使用切线空间和无指针布局表示向量，以减少内存开销并提高CPU性能。基准测试表明，HNTL在更小的候选池中实现了高召回率，并比传统的指针追逐方法提供了显著的速度提升。
-
RAG 系统使用 ANN 搜索进行快速、高效的信息检索
本文深入探讨了检索增强生成（RAG）系统如何在大型数据集中高效定位信息的技术细节。文章解释说，虽然将每个数据点与查询进行比较是准确的，但对于实际应用来说速度太慢。文章重点介绍了近似最近邻（ANN）搜索方法，例如 HNSW 和 IVF，它们使用索引技术来快速缩小潜在答案的范围，用少量精度换取显著的速度提升。
-
新的RAG方法通过位置码解决冗余块问题
研究人员开发了一种名为自条件位置HNSW（SCP-HNSW）的新方法，通过解决重叠文档块产生的冗余信息问题来改进RAG系统的检索。该技术将位置码附加到嵌入中，并使用双通道查询来选择相关块，从而优化提示使用。该论文还包括对工业审查证据质量的审计，分析文本证据和OCR性能，以指导未来的RAG开发。
-
StyloBot 发布细节：管理 .NET 系统中的 AI 数据增长
StyloBot 发布系列的第三部分详细介绍了维护长期运行的 .NET 系统的挑战，特别是关于 AI 组件中数据积累的问题。作者发现，由于一个错误的架构选择，将进程内的 HNSW 视为无界缓存，导致向量层变得过大。解决方案是用一个有界的缓存和压缩持久化替换了这个无界结构，显著减小了向量层的内存占用。
-
新的混合微服务采用KG优先、LLM回退的方式进行技能搜索
研究人员开发了一种名为SkillGraph-Service的新型微服务，以解决将ESCO和O*NET等劳动力市场能力框架集成到教育系统中的复杂性。该服务采用混合架构，优先使用知识图谱（KG）处理结构化数据，并使用大型语言模型（LLMs）作为特定任务的回退。这种方法结合了符号推理和灵活的LLM能力，以低延迟实现了高检索效率。