QASP：查询自适应鲁棒向量搜索策略

arXiv:2607.29606v3 公告类型：替换并交叉列出 摘要：向量搜索面临的一项根本挑战是，在尽量降低计算成本的同时，持续实现高召回率。固定搜索参数会导致不同查询之间出现显著的性能差异，而基于平均召回率的传统评估会掩盖这些逐查询差异。我们提出 QASP（查询自适应鲁棒向量搜索策略），通过搜索前的一次监督回归，为每个查询预测完整的召回率演进曲线，并据此推导出适用于任意召回率目标的搜索策略；这避免了在搜索过程中反复调用模型，也无需为每个目标单独设置预测器。通过使用尺度不变特征和搜索前推理来预测归一化召回率值，QASP 能够跨召回率目标、索引配置和数据集进行泛化。细粒度的进展预测还支持一种轻量级响应式补充机制，可根据预测值与观测值之间的偏差调整搜索深度，而无需额外推理。我们证明，QASP 所需的训练样本量有限，且与数据集大小和维度无关；在允许一个趋于零的统计误差的情况下，其损失不高于最优固定策略的损失；相较于固定探测，其节省的数据访问量随内在维度呈指数增长。实验表明，QASP 显著降低了召回率方差及其与目标的偏差，提高了查询达标率，并且无需重新训练即可扩展至大规模数据和层次化索引，在减少 80% 数据访问量的同时实现 99% 的召回率。我们的实现见 https://github.com/amazon-science/QASP。