Milvus(@milvusio)
We improved search accuracy for hyperbolic image embeddings on Zilliz Cloud by changing one coordina...
8.5内容质量

TL;DR · AI 摘要
通过调整坐标轴参数,Milvus在Zilliz Cloud上将超球面图像嵌入搜索的召回率提升12.9个百分点,无需重排序即可实现98.2%的recall@10。
核心要点
- 调整高度坐标轴参数使召回率提升12.9%,从85.3%到98.2%
- 中心化处理减少88%的top-10匹配遗漏
- 短名单重排序方法达到99.5%召回率,但吞吐量降低23%
结构提纲
按章节快速跳转。
介绍超球面图像嵌入在Zilliz Cloud上的搜索准确率瓶颈问题
通过调整向量高度坐标轴参数实现搜索精度提升
128万张图片测试显示召回率提升12.9个百分点
对比中心化搜索与短名单重排序两种方法的性能差异
中心化方法在吞吐量上优于重排序方法23%
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- 超球面图像搜索优化
- 坐标轴调整方法
- 高度坐标中心化
- 查询时符号翻转
- 性能对比
- 中心化搜索(98.2%召回率)
- 短名单重排序(99.5%召回率)
金句 / Highlights
值得收藏与分享的关键句。
调整高度坐标轴参数使召回率提升12.9%,从85.3%到98.2%
中心化处理减少88%的top-10匹配遗漏,无需重排序
短名单重排序方法达到99.5%召回率,但吞吐量降低23%
#Milvus#向量搜索#超球面嵌入#Zilliz Cloud#CLIP模型
打开原文Milvus on X: "我们通过调整一个坐标,提升了Zilliz Cloud上双曲图像嵌入的搜索准确性。在128万张图像上,无需重排序,recall@10从85.3%提升至98.2%。以下是我们的改进方法。我们测试了513维的Hyper3-CLIP V1向量。原始向量使近似索引更难准确搜索,尽管相似度计算本身是正确的。我们从每个存储向量的高度坐标中减去了数据集的平均高度。在查询时,我们翻转查询高度坐标的符号,并使用普通点积进行搜索。这保留了精确排序,同时帮助索引找到正确的邻居。在相同的索引构建和搜索设置下,中心化处理使前10名匹配遗漏率降低了88%。我们还针对需要更高召回率的工作负载,测量了一种独立的候选列表加重排序方法。该方法在4.37 ms p50时达到99.5%的recall@10,峰值吞吐量比中心化单次搜索方法低23%。阅读完整基准测试以了解方法、延迟和容量结果。"
@milvusio
我们通过调整一个坐标,提升了Zilliz Cloud上双曲图像嵌入的搜索准确性。在128万张图像上,无需重排序,recall@10从85.3%提升至98.2%。以下是我们的改进方法。我们测试了513维的Hyper3-CLIP V1向量。原始向量使近似索引更难准确搜索,尽管相似度计算本身是正确的。我们从每个存储向量的高度坐标中减去了数据集的平均高度。在查询时,我们翻转查询高度坐标的符号,并使用普通点积进行搜索。这保留了精确排序,同时帮助索引找到正确的邻居。在相同的索引构建和搜索设置下,中心化处理使前10名匹配遗漏率降低了88%。我们还针对需要更高召回率的工作负载,测量了一种独立的候选列表加重排序方法。该方法在4.37 ms p50时达到99.5%的recall@10,峰值吞吐量比中心化单次搜索方法低23%。阅读完整基准测试以了解方法、延迟和容量结果。
milvus.io/blog/hyperboli…
下午3:05 · 2026年10月30日
·
205
次浏览
1