AiSAQ：全存储 ANNS 与产品量化用于无 DRAM 信息检索
内容提要
本文介绍了一种名为 AdANNS 的基于 Matryoshka Representations 的最近邻搜索框架，通过自适应表示提高检索的准确性和效率。研究表明，AdANNS 在图像检索中比传统方法快90倍，并且在自然问题上成本减少一半。此外，提出了多种高效的 ANN 搜索系统，优化了高维数据处理性能。
延伸解读
自适应表示如何提升检索效率
AdANNS 利用 Matryoshka Representations 的自适应特性，允许在不同计算预算下动态调整表示容量。在图像检索中，AdANNS-IVF 相比刚性表示 IVF 在相同预算下准确率提升 1.5%，速度提升 90 倍；在自然问题上，32 字节 AdANNS-OPQ 达到 64 字节刚性 OPQ 的准确率，成本减半。这表明自适应表示能更灵活地平衡精度与效率。
内存磁盘混合索引的实践价值
SPANN 系统采用倒排索引和分层平衡聚类，将单元点存于内存、大列表存于磁盘，并通过查询感知动态修剪。实验显示，在处理数十亿数据集时，SPANN 以相同内存成本达到与 DiskANN 相同的召回率，且速度快 2 倍以上。这为大规模向量检索提供了可扩展的解决方案，尤其适合内存受限但需高吞吐的场景。
SIMD 加速与量化优化
Quick ADC 技术利用 CPU 的 SIMD 单元，将 ADC 加速 3-6 倍，关键修改包括用 4 位子量化器替换 8 位子量化器以及定量化浮点距离。Quicker ADC 进一步利用 SIMD 和不规则产生量化器，在 FAISS 上开源实现。这些优化显著提升了高维空间最近邻搜索的效率，为实时多媒体检索提供了技术基础。
算法评估与可扩展性考量
研究评估了 16 种算法在 20 个数据集上的性能，并提出并行性能、建树时间、扩展性等评估标准。针对图算法，提供了无锁递增框架。此外，对 HNSW、NSG、DiskANN 的最坏情况分析表明，实际查询时间与实例大小成线性关系，且具有常数近似比和多对数查询时间边界。这提醒读者在选择算法时需综合考虑数据规模与查询负载。
Q&A
AdANNS 的主要特点是什么？
AdANNS 是一种基于 Matryoshka Representations 的最近邻搜索框架，通过自适应表示提高检索的准确性和效率。
AdANNS 在图像检索中的表现如何？
在图像检索中，AdANNS-IVF 比基于刚性表示的 IVF 提高了 1.5% 的准确性，并且速度快 90 倍。
AdANNS-OPQ 与刚性表示 OPQ 的比较结果是什么？
32 字节的 AdANNS-OPQ 与 64 字节的刚性表示 OPQ 相比，具有相同的准确性且成本减少了一半。
SPANN 系统的优势是什么？
SPANN 系统通过倒排索引和分层平衡聚类算法，在处理数十亿数据集时速度快 2 倍以上，且内存成本相同。
Quick ADC 技术如何提高性能？
Quick ADC 技术利用 SIMD 单元实现了对 ADC 的 3-6 倍加速，并提出了关键算法修改。
研究中评估了多少种算法的性能？
研究评估了 16 种不同算法在多种数据集上的性能表现。
