兼顾索引构建时间与空间效率的高维快速近似最近邻搜索

基于摘要分析。本文研究高维欧氏空间中的近似 K 最近邻（AKNN）搜索，提出 MRQ，利用数据分布改进量化后的距离校正，并通过高效距离计算与校正降低查询延迟。其主要研究对象是向量检索，不是 EEG 解码或 BCI 模型。 向量量化将连续向量映射为离散编码，可减少存储并加快搜索，但仅使用量化编码而不结合精确向量会损失检索准确度。摘要将 RaBitQ 作为方法背景：其利用几何关系提高量化精度，并结合误差界和精确向量进行距离校正；作者指出，其量化位数必须等于向量维度，使压缩比固定。MRQ 针对这一限制，利用数据分布实现更高压缩比和更好的距离校正。分布建模方式、编码构造及校正公式尚未验证。 作者报告，在保持相同检索准确度的比较条件下，MRQ 相对基于图或向量量化的 AKNN 方法，使用仅为对照三分之一长度的量化编码，实现最高 3 倍的效率加速。摘要未提供数据集、向量维度、索引规模、具体基线、准确度定义及硬件条件，因而不能确定该结果对应的适用范围，也不能据此量化索引构建时间与总内存收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 系统需要在大量固定维度表征中检索相似片段，MRQ 的编码与距离校正机制可能用于降低检索存储和延迟，而非直接提升解码性能。该假设依赖表征的欧氏距离具有任务意义；需适配 EEG 表征及索引更新流程。低信噪比、跨被试分布偏移或通道变化可能破坏邻域结构，小数据下索引收益也可能有限。可固定表征提取器，在同一跨被试划分下，以精确搜索为参照，对比 MRQ 与 RaBitQ 的 Recall@K、查询延迟和内存占用。已有 EEG 相关工作尚未检索确认。