LeanVec 是一个结合了线性降维和向量量化的框架，用于加速高维度向量的相似性搜索，并在维持准确度的同时提高性能。它提供了针对分布内和分布外查询的两个变体，能够产生与最新的深度学习替代方案相当的准确度，并在搜索吞吐量上提高了 3.7 倍，并比现有技术快 4.9 倍的索引构建时间。

Dec, 2023

提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。

Sep, 2015

本文研究了通过降低信息库的维度和数值精度来减少检索问题答案时所需的计算资源，发现 PCA 能够简单地解决问题且需要的数据量较少，结合 1 位 / 维使能够在保持较好检索性能的前提下实现大幅压缩。

Apr, 2022

本文旨在设计一种嵌入方法，将描述图像的局部特征 (如 SIFT) 映射到一个更高维的表示中，以解决图像检索问题。我们提出了一种基于函数逼近的新方法，并将逼近得到的嵌入向量聚合成单个表示，以便于图像检索。此外，我们还提出了快速版本的嵌入方法，并在标准公共图像检索基准下分别对嵌入方法和其它方法进行了实验比较，结果表明嵌入方法优于现有的图像检索算法。

May, 2016

本文介绍了一种使用多尺度特征提取和基于局部极值关键点嵌入的高效纹理检索方法， 通过手工设计的特征向量构建协方差矩阵，提高了规模空间的表示能力，并在多个纹理数据库上得到高竞争性的检索率。

Aug, 2018

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

这篇论文旨在探讨多维降维技术对多语言 Siamese Transformer 模型在语义文本相似性任务上的性能影响，针对 Semantic Textual Similarity Benchmark 进行了测试，并通过可视化结果得出了在高维度嵌入计算中使用降维技术的潜力及其对语义意识任务性能的影响。

Apr, 2022

本文提出了一种新颖的表示学习框架，用于密集检索模型，框架采用多元分布作为表示，使用负多元 KL 散度计算相似性，在现有的最近邻算法中无缝集成，实验结果表明，较竞争的密集检索模型有显著的改进。

Apr, 2023

本文提出了一种多视角文档表示学习框架，通过生成多个视图嵌入来表示文档，并通过全局 - 局部 loss 函数来防止多视图嵌入坍塌到同一个嵌入中，实现了稳定性的匹配，在密集检索方面取得了最新的成果。

Mar, 2022

基于主题模型和降维的大规模基于基准的计算方法有效地设计文本空间化，t-SNE 在降维中的适用性得到验证。

Jul, 2023