Milvus(@milvusio)

We improved search accuracy for hyperbolic image embeddings on Zilliz Cloud by changing one coordina...

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

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。

  1. 介绍超球面图像嵌入在Zilliz Cloud上的搜索准确率瓶颈问题

  2. 通过调整向量高度坐标轴参数实现搜索精度提升

  3. 128万张图片测试显示召回率提升12.9个百分点

  4. 对比中心化搜索与短名单重排序两种方法的性能差异

  5. 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。

#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。"

Milvus

@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