awesome vector database

? Base de datos vectorial impresionante

Una lista curada de obras impresionantes relacionadas con la estructura de alta dimensión/búsqueda de datos y la base de datos

Servicios

• Google Vector Search (Vertex AI)
• Piña
• Weaviate [Guía para principiantes]
• Vespa
• Txtai
• marqo
• vecara
• Epsilla
• algolia
• Meilisearch
• nucliadb
• OpenSearch
• MyScale
• Qdrantcloud
• zilliz
• Alibabacloud de OpenSearch
• Cloud de Typesense
• MongoDB Atlas Vector Search
• Superduperdb
• KBD.AI

Comparaciones

• De Vespa
• Comparación de DB vectorial por VectorHub
• MyScale Vector Database Benchmark

Bibliotecas y motores

Datos / vectores multidimensionales

• ? Matriz de características de Vector DB
• Papel faiss
• Tipos
• Qdrant
  • Tutorial de video, cuaderno
• enojarse
• NGT
• pgvector
• Croma
• Llamado
• Epsilla
• jvector
• BALSA
• Vierdir
• Viajero
• pequeño vector
• USARECHE
• vear
• MRPT
• Milvus
• infinidad
• hendidura
• cromem-go
• Oasysdb [cuaderno]
• MeilISearch - API del motor de búsqueda para semántica (vectores), texto completo e híbrido Search
• Arroy - Biblioteca aproximada de vecinos más cercanos Rust
• bolsa
• cuvs
• vsag
• sqlite-vec
• Myscaledb
• Hora
• cruel
• Kgraph
• Newneighbors.jl
• Muopdb

Textos

• Pisa
• Tantivy
• sónico

Otros

• Simsimd: Alternativa eficiente a scipy.spatial.distance y numpy.inner

Puntos de referencia y bases de datos

• Ann Benchmarks [papel].

• Partes Anns a escala de miles de millones

  • Resultado 2021
  • Simhadri, Harsha Vardhan, et al. "Resultados de la Big Ann: Competencia Neurips'23". Preimpresión ARXIV ARXIV: 2409.17424 (2024).

• Beir

• VectordBBench - Una herramienta de referencia de base de datos vectorial, [GitHub]

• Los puntos de referencia de la base de datos Vector de Qdrant

• MyScale's Vector Database Benchmark

• Li, Wen, et al. "Prepara la búsqueda del vecino más cercano en datos de alta dimensión: experimentos, análisis y mejora". Transacciones IEEE sobre conocimiento e ingeniería de datos 32.8 (2019): 1475-1488.

• Zeng, Xianzhi, et al. "Candy: un punto de referencia para la búsqueda continua de vecinos más cercanos aproximados con ingestión de datos dinámicos". Preimpresión ARXIV ARXIV: 2406.19651 (2024).

• Conjuntos de datos de búsqueda de vectores de Intellabs

Libros

• Fundaciones de estructuras de datos multidimensionales y métricas
• Introducción a la recuperación de la información
• Aprendizaje profundo para la búsqueda
• Fundamentos de la recuperación de vectores

Conferencias y talleres

• Vldb
  • Tutorial:
    • Nuevas tendencias en la búsqueda de similitud de vector de alta D [diapositivas, video, papel]
• Recuperación de imágenes en la naturaleza (CVPR20) [Video]
• Almiar
• Búsqueda neuronal en acción
• ACM MM 2020: Efectivo y eficiente: hacia la reidentificación de instancias de mundo abierto
  • Billion-Scale Aproximadamente la búsqueda del vecino más cercano: [diapositivas, video]
  • ¿La búsqueda de instancias es un problema resuelto? [Diapositivas, video]
• Recuperación de generación aumentada y Vespa [diapositivas]
• Desafío de indexación SISAP
  • Competencia 2023
  • Competencia 2024

Cursos

• Memoria a largo plazo en bases de datos y búsqueda de vectores AI (COS 495 - Princeton) [Notas de clase]
• Recuperación de información de Freiburg WS 2022-2023 [Sitio web, Video Lectures]
• Búsqueda de similitud vectorial y curso FAISS [Lista de reproducción de YouTube]

Otros

• VectorHub: un sitio web de aprendizaje de código abierto gratuito para personas (desarrolladores de software a arquitectos de ML senior) interesado en agregar recuperación de vectores a su pila ML.

Publicaciones

Encuesta

• Pan, James Jie, Jianguo Wang y Guoliang Li. "Encuesta de sistemas de gestión de bases de datos de vectores". Preimpresión ARXIV ARXIV: 2310.14021 (2023). [Papel]
• Aumüller, Martin y Matteo Ceccarello. "Enfoques y tendencias recientes en la búsqueda aproximada del vecino más cercano". {IEEE} Boletín de ingeniería de datos (2023).
• Búsqueda de vecinos más cercanos: el viejo, lo nuevo y lo imposible. Andoni, Alexandr. [Papel]
• Ganbarov, Ali, et al. "Comparación experimental de algoritmos de búsqueda de vecinos más cercanos basados ​​en gráficos en dispositivos en el borde". Preimpresión ARXIV ARXIV: 2411.14006 (2024).

Cuantificación

Fuente: Una encuesta de cuantificación de productos.

• PQ: Cuantificación de productos para la búsqueda de vecinos más cercanos. Jegou, Herve, Matthijs Douze y Cordelia Schmid. [Documento, Código, Código Julia, NanopQ]
• K-Selection on GPU: búsqueda de similitud a escala de miles de millones con GPU. Johnson, Jeff, Matthijs Douze y Hervé Jégou [papel, código]
• Una encuesta de cuantificación de productos. Matsui, Yusuke, Yusuke Uchida, Hervé Jégou y Shin'ichi Satoh [papel]
• OPQ: cuantización optimizada del producto. GE, Tiezheng, Kaiming He, Qifa Ke y Jian Sun [Página de inicio, papel, código, nanopq]
• ADC más rápido: desbloquear el potencial oculto de la cuantización del producto con SIMD. André, Fabien, Anne-Marie Kermarrec y Nicolas Le Scouarnec [Paper, Código]
  • Aceleró la búsqueda del vecino más cercano con ADC rápido. André, Fabien, Anne-Marie Kermarrec y Nicolas Le Scouarnec [Paper].
  • La localidad de caché no es suficiente: búsqueda de vecinos más cercanos de alto rendimiento con cuantificación de productos Escaneo rápido. Fabien André, Anne-Marie Kermarrec, Nicolas Le Scouarnec [Paper]
• Escaneo: Acelerar la inferencia a gran escala con la cuantización del vector anisotrópico. Guo, Ruiqi, Philip Sun, Erik Lindgren, Quan Geng, David Simcha, Felix Chern y Sanjiv Kumar [Paper, Python/C ++ Inferencia, Entrenamiento/Inferencia de Julia]
• El múltiple invertido múltiple. Babenko, Artem y Victor Lempitsky [documento, código]
• ¿Ya estamos ahí? Cuantización del producto y su aceleración de hardware. Fernández-Marques, Javier, Ahmed F. Aboulhamayed, Nicholas D. Lane y Mohamed S. Abdelfattah. [Papel]
• LibVQ: un conjunto de herramientas para optimizar la cuantización del vector y la recuperación neural eficiente. Li, Chaofan, Zheng Liu, Shenao Xiao, Yingxia Shao, Defu Lian y Zhao Cao. [Documento, código]
• Matsui, Yusuke, Ryota Hinami y Shin'ichi Satoh. "Índice invertido reconfigurable". Actas de la 26ª Conferencia Internacional de ACM sobre Multimedia. 2018. [Documento, proyecto, código]
• Aguerrebere, Cecilia, et al. "Search de similitud en el parpadeo de un ojo con índices comprimidos". Preimpresión ARXIV ARXIV: 2304.04759 (2023).
• Huijben, Iris, et al. "Cuantización residual con libros de códigos neuronales implícitos". Preimpresión ARXIV ARXIV: 2401.14732 (2024). [Código]
• Rege, Aniket, et al. "Adanns: un marco para la búsqueda semántica adaptativa". Avances en los sistemas de procesamiento de información neural 36 (2024).
• Amara, Kenza, et al. "Búsqueda de vecinos más cercanos con códigos compactos: una perspectiva del decodificador". Actas de la Conferencia Internacional 2022 sobre recuperación multimedia. 2022.
• Krishnan, Aditya y Edo Liberty. "Cuantización de productos de agrupación proyectiva". Preimpresión ARXIV ARXIV: 2112.02179 (2021).
• Noh, Haechan, Taeho Kim y Jae-Pil Heo. "Cantor de productos CONVITADO INFICADO PARA LA BUSTACIÓN DE VECINOS MÁS ACTUALES". Actas de la conferencia internacional IEEE/CVF sobre visión por computadora. 2021.
• Zhan, Jingtao, et al. "Optimizar conjuntamente el codificador de consultas y la cuantización del producto para mejorar el rendimiento de la recuperación". Actas de la 30ª Conferencia Internacional de ACM sobre Gestión de Información y Conocimiento. 2021.
• Wang, Runhui y Dong Deng. "Deltapq: compresión del código de cuantización del producto sin pérdidas para la búsqueda de alta similitud de dimensión". Actas de la dotación VLDB 13.13 (2020): 3603-3616.
• Jang, Young Kyun y Nam Ik Cho. "Red de cuantificación de productos generalizados para la recuperación de imágenes semi-supervisada". Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones. 2020.
• Chen, Ting, Lala Li y Yizhou Sun. "Cuantización diferenciable de productos para la compresión de incrustación de extremo a extremo". Conferencia internacional sobre aprendizaje automático. PMLR, 2020.
• Huang, Rong, et al. "Aprender representaciones de documentos discretos en la búsqueda web". Actas de la 29ª Conferencia SIGKDD de ACM sobre descubrimiento de conocimiento y minería de datos. 2023.
• Nardini, Franco Maria, Cosimo Rulli y Rossano Venturini. "Recuperación densa de múltiples vectores eficientes con vectores de bits". Conferencia europea sobre recuperación de información. Cham: Springer Nature Suiza, 2024. [Código]
• Gao, Jianyang y Cheng Long. "Rabitq: cuantificando vectores de alta dimensión con un error teórico vinculado a la búsqueda aproximada del vecino más cercano". Preimpresión ARXIV ARXIV: 2405.12497 (2024). [(Código) [https://github.com/gaoj0017/rabitq]]
• Gao, Jianyang, et al. "Cuantización práctica y asintóticamente óptima de vectores de alta dimensión en el espacio euclidiano para la búsqueda aproximada de vecinos más cercanos". Preimpresión ARXIV ARXIV: 2409.09913 (2024).
• Mohoney, Jason, et al. "Mantenimiento incremental del índice de FIV para la búsqueda de vectores de transmisión". Preimpresión ARXIV ARXIV: 2411.00970 (2024).
• Yang, Mingyu, Wentao Li y Wei Wang. "Search rápido de vecino más cercano de alta dimensión más cercana con tiempo de índice eficiente y espacio". Preimpresión ARXIV ARXIV: 2411.06158 (2024).

Métodos basados ​​en gráficos

• Wang, Zeyu, et al. "Índices basados ​​en gráficos y árboles para la búsqueda de similitud vectorial de alta dimensión: análisis, comparaciones y direcciones futuras". Ingeniería de datos (2023): 3-21.
• Una encuesta integral y comparación experimental de la búsqueda aproximada de vecinos más cercanos basados ​​en gráficos. Wang, Mengzhao, Xiaoliang Xu, Qiang Yue y Yuxiang Wang. [Documento, código]
• Lin, Peng-Cheng y Wan-Lei Zhao. "Búsqueda de vecinos más cercanos basados ​​en gráficos: promesas y fallas". Arxiv Preprint ARXIV: 1904.02077 (2019).
• HNSW: Búsqueda de vecinos más cercanos más eficientes y robustos que utilizan gráficos jerárquicos navegables en pequeños mundos. Malkov, Yu A. y Dmitry A. Yashunin. [Documento, código, versión de óxido, versión GO]
• Escala de algoritmos ANNS basados ​​en gráficos a conjuntos de datos de tamaño mil millones: un análisis comparativo. Dobson, Magdalen, Zheqi Shen, Guy E. Blelloch, Laxman Dhulipala, Yan Gu, Harsha Vardhan Simhadri y Yihan Sun. [Papel]
• Dedo: inferencia rápida para la búsqueda aproximada de vecinos más cercanos basados ​​en gráficos. Chen, Patrick, Wei-Cheng Chang, Jyun-Yu Jiang, Hsiang-Fu Yu, Inderjit Dhillon y Cho-Jui Hsieh [Paper, Video]
• NSG: Navegación del gráfico extendido para la búsqueda aproximada del vecino más cercano. Fu, Cong, Chao Xiang, Changxu Wang y Deng Cai. [Documento, código]
• Efanna: Algoritmo de búsqueda de vecinos más cercanos extremadamente rápido, aproximado, basado en el gráfico KNN. Cong Fu, Deng Cai. [Documento, código]
• Khan, Saim, et al. "Bang: mil millones de escala aproximada de la búsqueda del vecino más cercano usando una sola GPU". Preimpresión ARXIV ARXIV: 2401.11324 (2024).
• Ootomo, Hiroyuki, et al. "Cagra: construcción de gráficos altamente paralelo y un vecino más cercano a la búsqueda de GPU". Preimpresión ARXIV ARXIV: 2308.15136 (2023).
• Oguri, Yutaro y Yusuke Matsui. "Análisis teórico y empírico de la selección de punto de entrada adaptativa para la búsqueda aproximada del vecino más cercano basado en gráficos". Preimpresión ARXIV ARXIV: 2402.04713 (2024).
• Oguri, Yutaro y Yusuke Matsui. "Método de ajuste general y práctico para el índice basado en gráficos estándar: Informe de desafío de indexación SISAP por el equipo Utokyo". Conferencia internacional sobre búsqueda de similitud y aplicaciones. Cham: Springer Nature Suiza, 2023.
• Wang, Mengzhao, et al. "Starling: un marco de índice de gráficos residente de disco de E/S de E/S para la búsqueda de similitud vectorial de alta dimensión en el segmento de datos". Preimpresión ARXIV ARXIV: 2401.02116 (2024). [Código]
• Manohar, Magdalen Dobson, et al. "Parlayann: algoritmos de búsqueda de vecinos más cercanos más cercanos a gráficos paralelos y deterministas de vecinos más cercanos". Actas del 29º Simposio Anual de Sigplan ACM sobre principios y práctica de la programación paralela. 2024. [Código]
• Wang, Mengzhao, et al. "Un marco eficiente y robusto para la búsqueda aproximada del vecino más cercano con la restricción de atributos". Avances en los sistemas de procesamiento de información neural 36 (2024).
• Yu, Shangdi, et al. "Pecann: agrupación eficiente paralela con búsqueda aproximada de vecinos más cercanos basados ​​en gráficos". Preimpresión ARXIV ARXIV: 2312.03940 (2023).
• Azizi, Ilias, Karima Echihabi y Themis Palpanas. "Elpis: búsqueda de similitud basada en gráficos para ciencia de datos escalable". Actas de la dotación VLDB 16.6 (2023): 1548-1559.
• Indyk, Piotr y Haike Xu. "El peor desempeño de la peor de los casos de las implementaciones populares de búsqueda de vecinos más cercanos más cercanos: garantías y limitaciones". Avances en los sistemas de procesamiento de información neural 36 (2024).
• Liu, Jun, et al. "Optimización de la búsqueda de vecinos más cercanos basados ​​en gráficos: más fuerte y más inteligente". 2022 23ª Conferencia Internacional IEEE sobre gestión de datos móviles (MDM). IEEE, 2022.
• Wang, Hui, Yong Wang y Wan-Lei Zhao. "Búsqueda aproximada de NN basada en gráficos: una revisión". Preimpresión ARXIV ARXIV: 2204.00824 (2022).
• Peng, Zhen, et al. "ANN de velocidad: baja latencia y alta precisión de la búsqueda de vecinos más cercanos a través del paralelismo intraidery". Preimpresión ARXIV ARXIV: 2201.13007 (2022).
• Lu, Kejing, et al. "HVS: estructura de gráficos jerárquicos basada en diagramas de Voronoi para resolver la búsqueda aproximada del vecino más cercano". Actas de la dotación VLDB 15.2 (2021): 246-258. [Código]
• Yingfan, Liu, Cheng Hong y Cui Jiangtao. "Revisando la construcción de gráficos vecinos de $ K $-más recibidos en datos de alta dimensión: experimentos y análisis". Preimpresión ARXIV ARXIV: 2112.02234 (2021).
• Zhu, Dantong y Minjia Zhang. "Comprender y generalizar gráficos de proximidad monotónica para la búsqueda aproximada del vecino más cercano". ARXIV Preprint ARXIV: 2107.13052 (2021).
• Gottesbüren, Lars, et al. "Desatar la partición gráfica para la búsqueda de vecinos más cercanos a gran escala". Preimpresión ARXIV ARXIV: 2403.01797 (2024).
• Singh, Aditi, et al. "FreshDiskann: un índice ANN basado en gráficos rápido y preciso para la búsqueda de similitud de transmisión". Preimpresión ARXIV ARXIV: 2105.09613 (2021).
• Wang, Hui, Wan-Lei Zhao y Xiangxiang Zeng. "Construcción del gráfico K-NN aproximado a gran escala en la GPU". ARXIV Preprint ARXIV: 2103.15386 (2021).
• Patel, Liana, et al. "ACORN: Búsqueda de rendimiento y predicado-agnóstico sobre incrustaciones de vectores y datos estructurados". Preimpresión ARXIV ARXIV: 2403.04871 (2024).
• Zuo, Chaoji, et al. "SERF: gráfico de segmento para la búsqueda de vecinos más cercano de filtro de rango más cercano". Actas de la ACM sobre la gestión de los datos 2.1 (2024): 1-26.
• Hezel, Nico, et al. "Un gráfico de exploración con refinamiento continuo para una recuperación multimedia eficiente". Actas de la Conferencia Internacional 2024 sobre recuperación multimedia. 2024.
• Xiao, Wentao, et al. "Mejora del índice HNSW para actualizaciones en tiempo real: abordar los puntos inalcanzables y la degradación del rendimiento". Preimpresión ARXIV ARXIV: 2407.07871 (2024).
• Yang, Shuo, et al. "Revisando la construcción del índice de la búsqueda aproximada de vecinos más cercanos basados ​​en gráficos de proximidad". Preimpresión ARXIV ARXIV: 2410.01231 (2024).
• Gou, Yutong, et al. "Symphonyqg: hacia la integración sinfono de la cuantización y el gráfico para la búsqueda aproximada del vecino más cercano". ARXIV Preprint ARXIV: 2411.12229 (2024).
• Yang, Ming, Yuzheng Cai y Weiguo Zheng. "CSPG: Cruce de gráficos de proximidad dispersos para la búsqueda aproximada del vecino más cercano". La trigésima octava conferencia anual sobre sistemas de procesamiento de información neural.

? Métodos basados ​​en árboles

• Jayaram Subramanya, Suhas, et al. "Diskann: búsqueda de vecino más cercano de mil millones de puntos rápido en un solo nodo". Avances en los sistemas de procesamiento de información neural 32 (2019). [Código]
• Li, Haitao, et al. "Construir el índice basado en árbol para una recuperación densa eficiente y efectiva". Preimpresión ARXIV ARXIV: 2304.11943 (2023).
• Engels, Joshua, et al. "Acerca de la búsqueda del vecino más cercano con los filtros de la ventana". Preimpresión ARXIV ARXIV: 2402.00943 (2024).
• Song, Yang, et al. "Promipres: búsqueda eficiente de productos internos máximos de alta dimensión C-Aprupoximate con un índice liviano". 2021 IEEE 37ª Conferencia Internacional sobre Ingeniería de Datos (ICDE). IEEE, 2021.
• Zhu, Yifan, et al. "GTS: índice de árbol basado en GPU para búsqueda rápida de similitud". Preimpresión ARXIV ARXIV: 2404.00966 (2024).
• Tatsuno, Kento, et al. "AISAQ: ANN de todo el almacenamiento con cuantificación de productos para recuperación de información sin DRA". Preimpresión ARXIV ARXIV: 2404.06004 (2024).

Chava

• Documentos impresionantes para aprender a hash
• Una encuesta sobre aprendizaje al hash. Wang, Jingdong, Ting Zhang, Nicu Sebe y Heng Tao Shen [papel]
• Una encuesta sobre métodos de hashing profundo. Luo, Xiao, Haixin Wang, Daqing Wu, Chong Chen, Minghua Deng, Jianqiang Huang y Xian-Sheng Hua. [Papel]
• Cuantificación iterativa: un enfoque de Procrustean para aprender códigos binarios para la recuperación de imágenes a gran escala. Gong, Yunchao, Svetlana Lazebnik, Albert Gordo y Florent Perronnin [Paper, Código de Python, Código Matlab]
• Gan, Yukang, et al. "Recuperación binaria basada en la incrustación en Tencent". Preimpresión ARXIV ARXIV: 2302.08714 (2023).
• Yan, Bencheng, et al. "Incrustación de hash basado en código binario para aplicaciones a escala web". Actas de la 30ª Conferencia Internacional de ACM sobre Gestión de Información y Conocimiento. 2021.
• Weng, Zhenyu y Yuesheng Zhu. "Hashing en línea sin supervisión con cuantización de múltiples bits". Actas de la conferencia asiática sobre visión por computadora. 2022.
• Huang, Qiang, Yifan Lei y Anthony Kh Tung. "Se busca el vecino más cercano de la hiperspera de vecino más cercano". Actas de la Conferencia Internacional 2021 sobre gestión de datos. 2021.
• Weng, Zhenyu, Yuesheng Zhu y Ruixin Liu. "Busca rápida en códigos binarios a través de la distancia de Hamming ponderada". Preimpresión ARXIV ARXIV: 2009.08591 (2020).
• Jian, Xiaozheng, et al. "Búsqueda de similitud de coseno de Top-K rápida a través de cuantización binaria amigable con XOR en GPU". Preimpresión ARXIV ARXIV: 2008.02002 (2020).
• Zheng, Bolong, et al. "PM-LSH: un marco LSH rápido y preciso para la búsqueda NN aproximada de alta dimensión". Actas de la dotación VLDB 13.5 (2020): 643-655.
• Eghbali, Sepehr. "Búsqueda de vecinos más cercanos con códigos compactos". (2019).
• Lei, Yifan, et al. "Esquema de hashing sensible a la localidad basado en la columna circular más larga". Actas de la Conferencia Internacional Sigmod 2020 ACM sobre gestión de datos. 2020.
• Wei, Jiuqi, et al. "Det-LSH: un esquema de hashes sensible a la localidad con árbol de codificación dinámica para la búsqueda aproximada del vecino más cercano". Preimpresión ARXIV ARXIV: 2406.10938 (2024).

Otros enfoques

• Chen, Qi, et al. "Spann: búsqueda de vecinos más cercanos a la escala de miles de millones altamente eficientes". ARXIV Preprint ARXIV: 2111.08566 (2021). [Código]
• Li, Yuliang, et al. "Consultas de umbral de coseno basadas en índices, de alta dimensión y coseno con garantías de optimización". Teoría de los sistemas de computación 65 (2021): 42-83.
• Chen, Yewang, et al. "Árbol de casco semi-convexo: consultas rápidas de vecinos más cercanos para datos a gran escala en las GPU". Conferencia Internacional IEEE 2018 sobre minería de datos (ICDM). IEEE, 2018.
• Engels, Joshua, Benjamin Coleman y Anshumali Shrivastava. "Práctica cerca de la búsqueda de vecinos a través de pruebas grupales". Avances en los sistemas de procesamiento de información neural 34 (2021): 9950-9962. [Suplemento]
• Gong, Long, et al. "IDEC: Códigos de estimación de distancia indexables para la búsqueda aproximada del vecino más cercano". Actas de la dotación VLDB 13.9 (2020).
• Lu, Kejing, et al. "VHP: la búsqueda aproximada del vecino más cercano a través de la partición virtual de hipersphere". Actas de la dotación VLDB 13.9 (2020): 1443-1455.
• Bing Tian, ​​Haikun Liu, Yuhang Tang, Shihai Xiao, Zhuohui Duan, Xiaofei Liao, Xuecang Zhang, Junhua Zhu, Yu Zhang. "FusionAnns: una arquitectura de procesamiento cooperativa de CPU/GPU eficiente para la búsqueda de vecinos más cercanos a escala de miles de millones". (2024).
• Chen, Zhonghan, et al. "Explorando el significado de la búsqueda del vecino más cercano en el espacio de alta dimensión". Preimpresión ARXIV ARXIV: 2410.05752 (2024).
• Tepper, Mariano, et al. "Gleanvec: búsqueda de vectores de aceleración con una reducción minimalista de dimensionalidad no lineal". Preimpresión ARXIV ARXIV: 2410.22347 (2024).
• Li, Jingyu, et al. "Panther: búsqueda privada de vecino más cercano en la configuración de un solo servidor". Archivo de Eprint de criptología (2024).
• Wei, Jiuqi, et al. "Colisión del subespacio: un marco eficiente y preciso para la búsqueda de vecinos más cercanos aproximados de alta dimensión". Preimpresión ARXIV ARXIV: 2411.14754 (2024).

Sistemas

• Qin, An, et al. "Maze: un sistema de deduplicación de video rentable en la escala web". Actas de la 30ª Conferencia Internacional de ACM sobre Multimedia. 2022.
• Doshi, Ishita, et al. "Lanns: un sistema de búsqueda vecino más cercano a escala web de vecinos más cercanos". Preimpresión ARXIV ARXIV: 2010.09426 (2020).
• Chen, Yaoqi, et al. "Ones Parse: un sistema unificado para la búsqueda de vectores de múltiples Índex". Actas complementarias de la ACM en la conferencia web 2024. 2024.

Otros

• Optimización de búsqueda con impulso de probabilidad de consulta y búsqueda aproximada de dos niveles para dispositivos Edge
• Gao, Jianyang y Cheng Long. "Búsqueda de vecino más cercano aproximado de alta dimensión: con operaciones de comparación de distancia confiables y eficientes". Actas de la ACM sobre la gestión de los datos 1.2 (2023): 1-27.
• Seguimiento aproximado de vecinos más cercanos en sistemas de recomendación. Yury Malkov.
• Acelerar la búsqueda vectorial en la GPU con balsa de rápida. Corey Nolet
• Gupta, Gaurav, et al. "Caps: un índice de partición práctica para la búsqueda de similitud filtrada". Preimpresión ARXIV ARXIV: 2308.15014 (2023).
• Zhu, Yuhao. "RTNN: Acelerar la búsqueda de vecinos usando el trazado de rayos de hardware". Actas del 27º Simposio de Sigplan ACM sobre principios y práctica de la programación paralela. 2022. [Código]
• Levi, Asaf, et al. "Indexación física versus lógica con {idea}: índice invertido {deduplication-consumo}. 22ª Conferencia de Usenix sobre archivos y tecnologías de almacenamiento (Fast 24). 2024. [Código]
• Carra, Damiano y neglia de Giovanni. "Tomando dos pájaros con un caché K-NN". 2021 Conferencia de Comunicaciones Globales IEEE (Globecom). IEEE, 2021.
• Salem, Tareq SI, neglia Giovanni y Damiano Carra. "El caché de la similitud de ascenso con índices aproximados". Transacciones IEEE/ACM en redes (2022).
• Li, Conglong, et al. "Mejora de la búsqueda aproximada del vecino más cercano a través de la terminación temprana adaptativa aprendida". Actas de la Conferencia Internacional Sigmod 2020 ACM sobre gestión de datos. 2020.
• Karpa, Matti, Martin Aumüller y Rasmus Pagh. "Deann: acelerando la estimación de densidad del núcleo utilizando la búsqueda aproximada del vecino más cercano". Conferencia internacional sobre inteligencia y estadísticas artificiales. PMLR, 2022.
• Wang, Zeyu, et al. "Operadores de comparación de distancia para la búsqueda aproximada del vecino más cercano: exploración y punto de referencia". Preimpresión ARXIV ARXIV: 2403.13491 (2024).
• Szilvasy, Gergely, Pierre-Emmanuel Mazaré y Matthijs Douze. "Búsqueda vectorial con pequeños radio". Preimpresión ARXIV ARXIV: 2403.10746 (2024).
• Han, Changhun, Suji Kim y Ha-Myung Park. "Búsqueda de proximidad eficiente en datos de alta dimensión de acumulación de tiempo utilizando la indexación de bloques de niveles múltiples". (2024).
• Tepper, Mariano, et al. "Leanvec: busque en sus vectores más rápido haciéndolos encajar". Preimpresión ARXIV ARXIV: 2312.16335 (2023).
• Harwood, Ben, et al. "Acerca de la búsqueda de vecinos más cercanos en conjuntos de datos dinámicos: una investigación". Preimpresión ARXIV ARXIV: 2404.19284 (2024).
• Caracterización del dilema del rendimiento y el tamaño del índice en la búsqueda vectorial de miles de millones y la ruptura con memoria de segundo nivel
• Xu, Haike. El peor de los casos de las implementaciones populares de búsqueda de vecinos más cercanos aproximados: garantías y limitaciones. Disgusto Instituto de Tecnología de Massachusetts, 2024.
• Lin, Jimmy. "Consejos operativos para los retrievers densos y escasos: ¿HNSW, plano o índices invertidos?" Preimpresión ARXIV ARXIV: 2409.06464 (2024).
• Zhou, Mingxun, Elaine Shi y Giulia Fanti. "Pacmann: Search de vecino más cercano a la eficiente privada". Archivo de Eprint de criptología (2024).

? Evaluación y métricas

• ¿A qué BM25 te refieres? Un estudio de reproducibilidad a gran escala de variantes de puntuación. Kamphuis, Chris, Arjen P. de Vries, Leonid Boytsov y Jimmy Lin [Paper]

? Artículos y charlas

• ¿Qué es una base de datos vectorial?
• Bases de datos vectoriales (Parte 1): ¿Qué hace que cada una sea diferente?
• EBAY's Blazenty Fast Billion a escala de similitud de similitud de similitud
• Reunión de visión por computadora: aplicaciones de visión por computadora a escala con bases de datos vectoriales
• ¿Cómo elegir su base de datos vectorial en 2023?
• ¿Realmente necesitamos una base de datos vectorial especializada?
• La base de datos de Vector no es una categoría de base de datos separada
• Bases de datos vectoriales: un enfoque de primeros principios
• Vector Search Rag Tutorial: combine sus datos con LLMS con búsqueda avanzada
• Búsqueda de similitud vectorial eficiente en flujos de trabajo de recomendación utilizando Milvus con Nvidia Merlin
• Bases de datos vectoriales: ¡una guía para principiantes!
• Base de datos vectorial y primavera ia
• Cómo manejar un millón de integridades vectoriales en las aplicaciones de RAG
• Cómo MeilISearch actualiza una base de datos de Inquiaciones de Vector Millions en menos de un minuto
• Dificultades comunes para evitar al usar bases de datos vectoriales
• Comenzando con bases de datos vectoriales
• Elegir el mejor modelo para la búsqueda semántica

Listas relacionadas

• Impresionante motor de búsqueda de vectores