arXiv cs.AI· Xiaoya Li, Albert Wang, Guoyin Wang, Chris Shum, Jiwei Li·· 1 天前AI 评分38
CRINN：用对比强化学习自动优化近似最近邻搜索算法
CRINN: Contrastive Reinforcement Learning for Approximate Nearest Neighbor Search
AI 导读
CRINN 将近似最近邻搜索（ANNS）优化建模为强化学习问题，以执行速度作为奖励信号，在保持精度约束下自动生成逐步更快的 ANNS 实现。
正文 · AI 翻译
摘要：近似最近邻搜索（ANNS）算法对于近期的 AI 应用日益关键，尤其是在检索增强生成（RAG）和基于智能体的 LLM 应用中。本文提出 CRINN，一种 ANNS 算法的新范式。CRINN 将 ANNS 优化视为一个强化学习问题，其中执行速度作为奖励信号。该方法能够在保持精度约束的同时，自动生成逐步更快的 ANNS 实现。我们的实验评估证明了 CRINN 在六个广泛使用的 NNS 基准数据集上的有效性。与最先进的开源 ANNS 算法相比，CRINN 在其中三个（GIST-960-Euclidean、MNIST-784-Euclidean 和 GloVe-25-angular）上取得了最佳性能，并在其中两个（SIFT-128-Euclidean 和 GloVe-25-angular）上并列第一。CRINN 成功的意义远不止于 ANNS 优化：它验证了结合强化学习的 LLM 可以作为自动化复杂算法优化的有效工具，而这类优化需要专业知识和大量人工精调。代码见 此 https URL
| 评论： | 预印本版本 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；数据库（cs.DB） |
| 引用为： | arXiv:2508.02091 [cs.LG] |
| （或 arXiv:2508.02091v5 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2508.02091 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Jiwei Li [查看邮箱]
[v1]
2025 年 8 月 4 日星期一 05:57:46 UTC（582 KB）
[v2]
2025 年 8 月 20 日星期三 01:47:01 UTC（582 KB）
[v3]
2026 年 7 月 13 日星期一 00:35:17 UTC（582 KB）
[v4]
2026 年 8 月 5 日星期三 21:49:02 UTC（582 KB）
[v5]
2026 年 11 月 11 日星期三 21:43:48 UTC（581 KB）
来源：arXiv cs.AI · arxiv.org