研究了向量嵌入、检索增强生成、流式相似性搜索、局部自适应向量量化和 Turbo LVQ，提出了两种改进的 LVQ 方法，通过高效地搜索性能提高了搜索效果，并通过 Scalable Vector Search 引入开源库提供工具。

Feb, 2024

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

我们提出了一种能够以比现有技术快 12 倍以上的速度压缩矢量并加速近似向量操作的矢量量化算法，用于计算近似点积等操作的速度可提高 10 倍以上，可以加速最近邻搜索和最大内积搜索 100 倍以上，并且与现有的矢量量化算法相比误差竞争力强。

Jun, 2017

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

本文提出了一种 Lattice Vector Quantization（LVQ）和空间自适应扩展（AC）相结合的新型映射策略，以取得更好的压缩效果，实验证明使用 LVQAC 可以在不显著增加模型复杂度的情况下，提高图像压缩性能。

Mar, 2023

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

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

本文综述了学习向量量化（LVQ）分类器的现状，并提出了一个分类法，集成了迄今最相关的 LVQ 方法。定义了与现代 LVQ 方法相关的主要概念，并使用一个真实世界和两个人工数据集比较了 11 种 LVQ 分类器。

Sep, 2015

提出了 MEMORY-VQ 方法，通过使用向量量化变分自编码器 (VQ-VAE) 来压缩令牌表示，从而减少记忆增强模型的存储要求，应用于 LUMEN 模型中获得 LUMEN-VQ，一个具有相当性能的记忆模型，可在大型检索语料库中实现实用的检索增强。

Aug, 2023

通过开发稀疏量化方法，我们的研究在多个领域中不断提升了基准模型的性能，实现了最先进的结果。

Dec, 2023