本文研究了一种用于近似最近邻搜索的紧凑编码方法，介绍了一种复合量化框架，其中包括使用不同字典中选定的若干元素的组合来准确近似 D 维向量，以此表示数据向量，实现准确搜索，从而实现距离计算成本从 O（D）降至 O（M）的近正交复合量化方法。

Dec, 2017

该论文考虑了压缩域中的近似最近邻搜索问题，引入了一种叫做 “多义编码” 的方法，在保持了产品量化的距离估算质量和二进制码哈明距离的有效比较性质基础上进行设计，并通过在搜索时二者的双重解释加速了搜索。实验证明，该方法与粗粒度的特征空间分割方法是相辅相成的，并在几个公共基准数据集上得到了最新的结果。

Sep, 2016

我们提出了一种基于量化的方法，用于快速近似最大内积搜索（MIPS），该方法利用一组通过最小化内积量化误差直接学习的码书对每个数据库向量在多个子空间上进行量化。通过子空间量化器的内积和来近似查询到数据库向量的内积。与最近提出的 LSH 方法不同，数据库向量和查询不需要在高维特征空间中进行扩展。我们还提供了所提出方法的理论分析，在较温和的假设下得出集中结果。此外，如果在训练时给出少量示例查询，则我们提出了修改的码书学习过程，可以进一步提高准确性。在包括来自深度神经网络的数据集在内的各种数据集上进行的实验结果表明，所提出的方法明显优于现有最先进的方法。

Sep, 2015

本文提出了一种基于图遍历和压缩表征的方法，该方法编码可索引向量使用量化和利用图结构改进相似度估计。该方法在保证较小比较集的高精度及显著内存压缩的同时，在 64-128 字节每向量的操作点上，优于现有技术在二十亿规模公共基准测试中的表现。

Apr, 2018

本文提出了一种在高维向量的压缩域内重新排列邻居猜想的方法，通过短量化码优化估算距离，以避免从磁盘中读取完整向量，实验证明该方法准确高效且占用较少内存。

Feb, 2011

本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

Dec, 2013

该论文提出一种基于自学习的哈希方法，通过无监督学习为给定语料库中的所有文档找到 $l$ 位二进制码，再通过有监督学习训练 $l$ 个分类器，以预测之前未见过的查询文档的 $l$ 位码。在三个真实的文本数据集上的实验表明，该方法比现有技术显著地优越。

Apr, 2010

本文提出了一种用于文档表示的复合码稀疏自动编码器（CCSA）方法，以近似最近邻（ANN）搜索为基础。该模型可以替代传统的词袋模型，并可与最近的基于图的 ANN 技术相结合。经实验证明，CCSA 在给定数据集上优于 IVF with product quantization，同时，CCSA 的二进制量化对于基于图的 HNSW 方法的索引大小和内存使用有好处，并保持良好的召回率和 MRR。

Apr, 2022

研究一个索引架构，从统计信号处理和决策理论角度，存储和搜索高维向量数据库。该架构由多个内存单元组成，每个内存单元通过单个代表向量总结一部分数据库。和穷举搜索相比，我们的方法能够更快地找到相似的数据库向量，而不会显著降低搜索质量。

Dec, 2014

本文提出了利用约束稀疏编码来近似存储大规模向量数据库，并实现高效检索的方法，可以在保证码本量的情况下，索引如 BIGANN 等大规模数据集，实现了学习 / 编码时间、索引大小、搜索质量等多种因素的平衡。

Aug, 2016