① Évolution des structures graphiques
De K-Graph jusqu'à NSW, puis HNSW, et autres variantes. Retracer le fil historique et comprendre chaque amélioration.
Analyse de l'article de référence et lien avec notre comparaison empirique HNSW / IVF-PQ / LSH.
Retrouver rapidement les objets les plus similaires à une requête — images, documents, vecteurs — avec de légères approximations pour gagner en vitesse.
Une recherche exacte devient très coûteuse sur de gros volumes. C'est pourquoi on accepte une approximation contrôlée.
Des millions de vecteurs, des centaines de dimensions, des millisecondes pour répondre. L'ANNS est le composant central de ces systèmes.
Graph- and Tree-based Indexes for High-dimensional Vector Similarity Search
Index basés sur des graphes et des arbres pour la recherche de similarité sur des vecteurs de haute dimension.
Techniques de réduction de dimension pour les systèmes ANNS
Surtout centré sur l'optimisation interne du calcul de distance — pas un comparatif global entre paradigmes.
Notre projet ne cherche pas à optimiser un index existant : il cherche à comparer plusieurs familles — graphes (HNSW), quantification (IVF-PQ), hachage (LSH). Or bulletin23 adopte précisément cette logique de comparaison entre familles d'index, en expliquant leurs idées, leurs compromis et leurs limites. En plus, il accorde une place centrale à HNSW, qui est notre méthode graphique de référence.
Comprendre comment ont évolué les index graphiques et arborescents pour la recherche de similarité en haute dimension, comparer leurs propriétés, puis dégager les directions prometteuses.
Dans un index graphe, chaque vecteur est un nœud. La recherche consiste à avancer de proche en proche vers les voisins du vecteur requête — c'est la recherche gloutonne.
Le paramètre ef contrôle le nombre de candidats explorés pendant la recherche : plus ef est élevé, plus on explore, plus le recall augmente — mais plus la latence augmente.
Le problème n'est pas seulement "avoir beaucoup de liens", mais avoir les bons liens pour ne pas se retrouver piégé dans une zone du graphe.
Chaque nœud est connecté à ses K plus proches voisins. Résultat : certains nœuds deviennent des hubs — très fortement connectés entre eux.
La performance de HNSW ne vient pas de la hiérarchie elle-même, mais de la qualité de la structure du graphe et du mécanisme de navigation que la règle RNG produit.
Pour atteindre un recall@50 = 0,95 :
| Critère | Graphes | Arbres |
|---|---|---|
| Performance en mémoire | Meilleure | Correcte |
| Scalabilité / Distribué | Limitée | Excellente |
| Index sur disque | Difficile | Naturel |
| Élagage garanti | Non | Oui |
| Localité des données | Non | Oui |
Chaque famille répond à des contraintes différentes. Les combiner (ex. ELPIS) donne le meilleur des deux mondes.
Le papier montre que les index graphiques sont particulièrement efficaces pour la recherche en mémoire, et que HNSW, grâce à sa navigabilité et à son élagage intelligent, obtient des performances de requête très élevées.
Une grille de lecture scientifique : quand nous observons nos résultats expérimentaux, nous savons mieux les interpréter. Si HNSW obtient un meilleur recall, ce n'est pas magique — c'est lié à la structure du graphe, à la navigabilité et à la règle RNG.
Notre projet ne cherche pas simplement à dire "HNSW est meilleur" ou "IVF-PQ est meilleur". Il cherche à répondre à une question plus utile :
Meilleur recall et la meilleure performance de requête en mémoire. Idéal si la précision est prioritaire.
Très intéressant si on veut réduire fortement la mémoire. La quantification compresse les vecteurs au prix d'un léger recall.
Méthode historiquement simple, basée sur le hachage probabiliste. Apporte un autre point de comparaison baseline.
Cette logique de compromis est totalement cohérente avec bulletin23, qui insiste sur le fait que les familles d'index ne répondent pas aux mêmes contraintes. Il ne s'agit pas de dire qu'une famille écrase toutes les autres, mais de comprendre quand et pourquoi chacune est pertinente.
Le papier nous donne le « pourquoi » théorique — notre benchmark sur SIFT1M apporte le « comment mesurer » expérimental.