CRINN: L'apprendimento per rinforzo ottimizza la ricerca del vicino più prossimo approssimato

È stato sviluppato un nuovo approccio alla ricerca del vicino più prossimo approssimato (ANNS), che utilizza l'apprendimento per rinforzo per creare implementazioni più rapide mantenendo l'accuratezza. Questa tecnica, chiamata CRINN, inquadra l'ottimizzazione dell'ANNS come un problema di apprendimento per rinforzo, dove la velocità di esecuzione funge da ricompensa. Di conseguenza, il sistema può migliorare iterativamente le proprie prestazioni, producendo soluzioni ANNS più veloci senza compromettere l'accuratezza. Il metodo è stato testato su sei importanti dataset di benchmark NNS, ottenendo i migliori risultati su tre (GIST-960-Euclidean, MNIST-784-Euclidean e GloVe-25-angular) e pareggiando per il primo posto su altri due dataset (SIFT-128-Euclidean e GloVe-25-angular). Questi risultati evidenziano la superiorità di CRINN rispetto ai principali algoritmi ANNS open-source, con implicazioni significative per le applicazioni di intelligenza artificiale che dipendono da ricerche efficienti del vicino più prossimo, come la generazione aumentata da recupero (RAG) e le applicazioni LLM basate su agenti. La ricerca è disponibile su arXiv con identificativo 2508.02091.