TL;DR
- چکیده: در این کار به مشکل تخمین کاردینالیتی برای جستجوی شباهت در فضاهای با ابعاد بالا میپردازیم.
- هدف ما طراحی چارچوبی است که سبک وزن،.
- ساخت آسان و قادر به ارائه برآوردهای دقیق با کارایی آنلاین رضایت بخش باشد.
چه اتفاقی افتاد
چکیده: در این کار به مشکل تخمین کاردینالیتی برای جستجوی شباهت در فضاهای با ابعاد بالا میپردازیم. هدف ما طراحی چارچوبی است که سبک وزن،.
ساخت آسان و قادر به ارائه برآوردهای دقیق با کارایی آنلاین رضایت بخش باشد. ما از هش حساس به محلی (LSH) برای پارتیشن بندی فضای برداری با حفظ فاصله نزدیک استفاده می.
کنیم. با تکیه بر این،.
ما اصول کلاسیک چند پروب LSH را برای کاوش تطبیقی سطلهای همسایه،. در نظر گرفتن آستانههای فاصله با بزرگیهای مختلف،.
اتخاذ میکنیم. برای بهبود کارایی آنلاین،.
از نمونهگیری پیشرونده برای کاهش تعداد محاسبات فاصله و استفاده از محاسبه فاصله نامتقارن در کمیتسازی محصول برای. تسریع محاسبات فاصله در فضاهای با ابعاد بالا استفاده میکنیم.
علاوه بر مدیریت مجموعه دادههای ثابت،. چارچوب ما شامل به روز رسانی است الگوریتم طراحی شده برای پشتیبانی کارآمد از سناریوهای پویا در مقیاس.
بزرگ از دادهها،. این نشانی اینترنتی http نشان میدهد که روشهای ما میتوانند بهطور دقیق کاردینالیته جستارهای شباهت را تخمین بزنند.
و کارایی رضایتبخشی را به همراه داشته باشند. پایگاههای داده (cs.
DB)؛ هوش مصنوعی (cs. AI) استناد بهعنوان: (یا v1 [cs.
DB] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Zhonghan Chen [مشاهده ایمیل] [v1] دوشنبه،. 6 آوریل 2026،.
11:. 46:.
47 UTC (139 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.