文献分享：RoarGraph——跨模态的最邻近查询

原文章: $\text{RoarGraph: A Projected Bipartite Graph for Efficient Cross-Modal Approximate Nearest Neighbor Search}$

$\text{1. }$导论

$\text{1.1. }$研究背景

1️⃣跨模态检索：

1. 含义：使用某个模态的数据作为$\text{query}$，返回另一个模态中语义相似的内容
2. 示例：输入"Apple"后，返回苹果的照片

2️⃣模态差距$\text{(gap)}$：不同模态数据即使映射到同一语义空间(比如用$\text{CLIP}$)，其分布特征仍差距显著

\quad

3️⃣两种$\text{ANN}$

1. 单模态$\text{ANN}$：查询向量分布$\stackrel{\text{ID}}{\leftrightarrow }$基础数据分布，即查询来源于与数据库数据相同的分布
2. 跨模态$\text{ANN}$​：查询向量分布$\stackrel{\text{OOD}}{\leftrightarrow }$基础数据分布，即查询来源于与数据库数据不同的分布

$\text{1.2. }$本文的研究

1️⃣研究动机：当前$\text{SOTA}$的$\text{ANN}$​都是单模态的，在$\text{OOD}$负载上表现差

2️⃣研究内容

1. $\text{OOD}$工作负载分析：跨模态后性能下降，源于查询过远$+$标签分散$\text{→}$收敛变慢$/$跳数增加

   类型	查询$\stackrel{\mathbf{距离}}{\leftrightarrow }$基础数据	查询最邻近$\mathbf{i}\stackrel{\mathbf{距离}}{\leftrightarrow }$查询最邻近	查询$\stackrel{\mathbf{分布}}{\leftrightarrow }$基础数据
   单模态$\text{ANN}$	近(基本假设)	近(基本假设)	$\text{ID}$
   跨模态$\text{ANN}$	远(实验得到)	远(实验得到)	$\text{OOD}$

2. $\text{RoarGraph}$的提出：
   • 原理：让查询参与图构建$\text{→}$将[查询点$\leftrightarrow$基础点]邻接关系投影到基础点$\text{→}$形成仅有基础点的图
   • 意义：让空间上很远但是查询上很近的点相连，从而能高效处理$\text{OOD-ANNS}$
     
   • 效果：在跨模态数据集上实现了$\text{QPS}$和$\text{Recall}$指标的提升

$\text{1.3. }$有关工作

方法	核心思想	优缺点
束搜索终止	利用查询训练分类模型判断何时终止搜索	提升效率，但训练成本较高
图卷积$\text{(GCN)}$	引入$\text{GCN}$学习最优搜索路径	路径优化明显，但训练成本较高
$\text{GCN+RL}$	强化学习与$\text{GCN}$结合引导搜索路由	提升效果显著，但训练成本较高
$\text{GraSP}$	概率模型与子图采样学习边重要性	性能优化明显，但索引构建成本高
$\text{ScaNN}$	结合向量量化和$\text{PQ}$进行分区与压缩	压缩与搜索性能高效，但依赖调参

$\text{2. }$对$\text{OOD}$负载的分析与验证

$\text{2.1. }$初步的背景及其验证

$\text{2.1.1. }$对模态差距的验证

1️⃣$\text{OOD}$的量化

距离类型	衡量什么	如何理解
$\text{Wasserstein}$距离	两个分布间的差异	把一个分布搬到另一个的最小代价
$\text{Mahalanobis}$距离	一个向量到一个分布的距离	一个点相对于一个分布的异常程度

1️⃣实验$1$：用$\text{Wasserstein}$距离衡量$\text{OOD}$特性

1. 数据集：基础数据集中抽取的无交叉集$B_1/B_2$，$\text{OOD}$的查询集$Q$
2. 结果：$\text{Wasserstein}(B_1,Q)$和$\text{Wasserstein}(B_2,Q)$，大致是$\text{Wasserstein}(B_1,B_2)$两倍

2️⃣实验$2$：用$\text{Mahalanobis}$距离衡量$\text{OOD}$特性

1. 数据集：满足分布$P$的基础数据，来自$\text{ID}$查询集的$q_{id}$，来自$\text{OOD}$查询集的$q_{ood}$
2. 结果：$\text{Mahalanobis}(q_{\text{id}},P)\text{<}\text{Mahalanobis}(q_{\text{ood}},P)$

$\text{2.1.2. }\text{SOTA-ANN}$在$\text{OOD}$任务上的表现

1️⃣对传统的$\text{SOTA-ANN}$

索引方法	在$\text{OOD}$上的表现(相比在$\text{ID}$上)
$\text{HNSW}$	性能显著下降，在$\text{BeamSearch}$过程显著访问更多的结点(要经历更多跳)
$\text{IVF-PQ}$	性能显著下降，需要更多的聚类数才能达到相同的$\text{Recall}$

2️⃣对改进的$\text{ANN}$：针对$\text{OOD-ANNS}$的首个图索引$\text{RobustVamana(OOD-DiskANN)}$

1. 原理：先用$\text{Vamana}$建图，然后再用$\text{RobustStitch}$根据查询向量，连接新的边
2. 性能：比$\text{DiskANN}$在$\text{OOD}$任务上提升了$\text{40\%}$性能，但是查询速度慢了$\text{×}4\text{-10}$

$\text{2.2. }$对$\text{OOD}$上$\text{ANN}$工作负载的分析

$\text{2.2.1. OOD-ANNS}$和$\text{ID-ANNS}$的两个差异

1️⃣两种差异及实验结果

1. $\text{OOD}$查询离其最邻近很远：即$\delta \left(q_{\text{ood}},i^{th}{\text{-NN}}_{\text{ood}}\right)\text{≫}\delta \left(q_{\text{id}},i^{th}{\text{-NN}}_{\text{id}}\right)$，左为$i\text{=}1$时的分布结果
2. $\text{OOD}$查询的最邻近彼此原理：$100^{th}\text{-NN}$互相之间的平均距离，实验结果如右
   

2️⃣对差异的直观理解

1. 简单(概念)示例：
   
   • $\text{ID}$查询：查询与其最邻近在球面上，相互靠近
   • $\text{ODD}$查询：查询在球心，其最邻近在球面上(由此距离较远且查询不多$\text{+}$分散分布)
2. 真实示例：真实数据$\text{PCA}$降到二维的视图，$\text{ID}$查询更为集中
   

$\text{2.2.2. }$为何传统$\text{SOTA-ANN}$在$\text{ODD}$表现不佳

0️⃣传统$\text{ANN}$的设计

1. 基于两假设：查询$/$数据同分布$+k$个最近邻彼此相互靠近(邻居的邻居是邻居)，刚好全反的
2. 设计的思路：
   • 建图：用$\text{BeamSearch}$来构建$\text{KNN}$图$\text{→}$空间中相近的点转化为图中紧密连接的结点
   • 搜索：从中心点开始$\text{GreedySearch}$

1️⃣在基于图$\text{ANN}$上：$\text{OOD}$会使得搜索空间增大

1. 可识别搜索空间：包围当前访问结点$x$的$B^s(x)\text{+}{B}^k\left(1^{\text{st}}\text{-NN},R\right)$
   • 球$B^k\left(1^{\text{st}}\text{-NN},R\right)$：以$1^{\text{st}}\text{-NN}$为球心，$k$邻近间互相距离$\delta \left(i^{\text{th}}\text{-NN},j^{\text{th}}\text{-NN}\right)$最大值为半径
   • 球$B^s(x)$：以当前结点$x$为圆心，以$\delta \left(x,i^{\text{th}}\text{-NN}\right)$的最大值(到最远最邻近的距离)为半径
2. $\text{OOD}$的影响：搜索空间大幅增大
   • 对$B^k$：由于$\text{OOD}$的性质$R_{\text{ood }}\text{≫}{R}_{\text{id}}$，这一差异在体积层面放大到${\left(\frac{R_{\text{ood }}}{R_{\text{id}}}\right)}^D$级别
   • 对$B^s$：由于$\text{OOD}$的性质$\delta \left(x,i^{\text{th}}{\text{-NN}}_{\text{ood}}\right)\text{≫}\delta \left(x,i^{\text{th}}{\text{-NN}}_{\text{id}}\right)$，使得体积也大幅膨胀
3. 对搜索过程的影响：
   • 对于$\text{ID}$查询：由于最近邻彼此靠近，$\text{GreedySearch}$可以使$B^s(x)$轻松收敛

     起点 -> 近邻1 -> 近邻2 -> 近邻3 (一个小范围内)
     

   • 对于$\text{OOD}$查询：最近邻方向分散难以收敛，需要更大的$\text{Beam}$宽度$/$搜索路径等

            近邻2↗️     
     起点 -> 近邻1 -> 近邻3 (分散在大范围内)↘️     近邻4
     

2️⃣在基于划分$\text{IVF}$上

1. 原理上：$\text{IVF}$先将原数据分簇
   • $\text{ID}$查询：最邻近集中在少数几个相邻簇中
   • $\text{OOD}$查询：最邻近分散在多个不相邻簇中
2. 实验上：$\text{OOD}$查询需要扫描更多的簇，性能下降$2.5$倍

$\text{3. RoarGraph}$

$\text{3.1. RoarGraph}$的设计思路

1️⃣面向解决三种挑战

1. 边的建立：如何连接查询$/$基础两类结点，同时避免基础结点度数太高
2. 搜索效率：查询结点要保持极高出度以覆盖基础节点，但同时也会大幅增加跳数$/$内存开销
3. 连通性：避免出现孤立结点，独立子图

1️⃣大致的设计流程

1. 构建：建立查询$\leftrightarrow$基础二分图$\text{→}$将邻接信息投影到基础点中$\text{→}$增强连接
2. 查询：同样是用$\text{BeamSearch}$

$\text{3.2. RoarGraph}$的构建: 三个阶段

$\text{3.2.1. }$阶段$\text{1}$: 查询$\leftrightarrow$基础二分图构建

1️⃣二分图概述：

1. 基本概念：将所有的点分为两个集合，所有边必须连接不同子集的点，不能内部连接
   
2. 在此处：两子集查询结点$+$基础节点，两种边[查询结点$\text{→}$基础结点]$\text{+}$[查询结点$\text{←}$基础结点]

2️⃣构建过程概述

\quad

1. 预处理：计算每个查询向量的真实$N_q\text{-NN}$标签
2. 边构建：

   方向	操作
   查询点$\text{→}$基础点	查询点$\stackrel{连接}{\to }$查询点的$N_q\text{-NN}$基础点
   基础点$\text{→}$查询点	查询点$\stackrel{连接}{\leftarrow }$查询点的$1\text{-NN}$基础点，查询点$\stackrel{断连}{\to }$查询点的$1\text{-NN}$基础点

3. 示例：

   预处理: T1 -> X1, X2, X3 (Nq=3)
   边构建: T1 -> X2, X3 T1 <- X1 
   

2️⃣构建过程分析

1. 结点度数的考量：
   • 高查询结点出度：提高$N_q$值，增加[基础点$\underset{覆盖性}{\overset{重叠性}{\to }}$查询点]，使多基础点可由同一查询点联系
   • 低基础节点出度：为了解决上述挑战$1$，目的在于提高二分图上的搜索效率
2. 边方向的考虑：不进行双向连接，避免二分图搜索时要去检查邻居的邻居($N_q^2$)

   预处理: T1 -> X1, X2, X3 (Nq=3)
   边构建: T1 -> X1, X2, X3 T1 <- X1T1 <- X2T1 <- X3
   

$\text{3.2.2. }$阶段$\text{2}$: 领域感知投影

1️⃣一些分析

1. 优化动机：二分图内存消耗高(额外存储了查询节点)，搜索路径长(需要额外经过查询结点)
2. 关于投影：
   • 目的：移除二分图中的查询结点，并保留从查询分布获得的邻近关系
   • 方式：最简单的可将查询点所连的全部基础点全连接(度数太高)，优化方法如领域感知投影

2️⃣投影过程：

1. 预处理：
   • 遍历查询点：获得与查询点相连的最邻近基础点

     查询Q -> {B1, B2, B3, B4, B5}  (Q连接了5个基础节点)
     

   • 选择中心点：即查询点的$\text{1-NN}$点，作为$\text{Pivot}$

     查询Q -> {B1, B2, B3, B4, B5}  (Q连接了5个基础节点)👆pivot
     

   • 排序基础结点：将余下$N_q\text{-NN}$点，按与$\text{Pivot}$的距离排序
2. 感知投影：
   • 连接：让中心点与余下点建立连接

     B1 -> B2 (最近)
     B1 -> B3 (次近)
     B1 -> B4 (较远)
     B1 -> B5 (最远)
     

   • 过滤：保证与$\text{Pivot}$连接方向的多样性
     

     条件	含义	操作
     $\text{Dist}(X,Y)\text{<}\text{Dist}(\text{Pivot},Y)$	该方向已有连接	则筛掉$Y$(不与$\text{Pivot}$建立连接)
     $\text{Dist}(X,Y)\text{>}\text{Dist}(\text{Pivot},Y)$	代表新的搜索方向	则保留$Y$(可与$\text{Pivot}$建立连接)

   • 填充：当$\text{Pivot}$的出度小于度数限制，则又重新连接之前过滤掉的结点

$\text{3.2.3. }$连通性增强

1️⃣为何要增强：仅依赖于二分图的覆盖范围，投影图的连通性还太低，对$\text{GreedySearch}$不友好

2️⃣增强的方法：

1. 检索：从基础集的$\text{Medoid}$开始，对每个基础点执行$\text{BeamSearch}$得到最邻近(作为候选点)
2. 连边：在不超过度数限制的前提下，让该基础点连接一定数量的候选点作

$\text{3.3. RoarGraph}$性能的验证

$\text{3.3.1. }$实验设置

1️⃣数据集

数据集	描述	查询集	索引集
$\text{Text-to-Image}$	流行基准数据集，含图像和文本查询向量	官方$1\text{w}$条	余下不重叠数据
$\text{LAION}$	数百万对图像$-$替代文本对	采样$1\text{w}$条	余下不重叠数据
$\text{WebVid}$	素材网站获取的字幕和视频对	采样$1\text{w}$条	余下不重叠数据

2️⃣超参数设置

模型	超参数列表
$\text{HNSW}$	$M\text{=}32$, $\text{efConstruction}\text{=}500$
$\text{NSG}$	$R\text{=}64$, $C\text{=}L\text{=}500$
$\tau \text{-MNG}$	$R\text{=}64$, $C\text{=}L\text{=}500$, $\tau \text{=}0.01$
$\text{RobustVamana}$	$R\text{=}64$, $L\text{=}500$, $\alpha \text{=}1.0$
$\text{RoarGraph}$	$N_q\text{=}100$(最近邻候选数量), $M\text{=}35$(出度约束), $L\text{=}500$(候选集大小)

3️⃣性能指标：$\text{Recall@k}$和$\text{QPS}$(检索速度)

$\text{3.3.2. }$实验结果

1️⃣$\text{QPS}$与召回：$\text{RoarGraph}$最优(超过$\text{RobustVamana}$)，$\text{HNSW/NSG}$差不多, $\tau \text{-MNG}$最差

2️⃣跳数与召回：$\text{RoarGraph}$跳数显著减少，且随$\text{Recall@}$的$k$增大，减少趋势下降

3️⃣消融实验：对比了二分图$/$投影图$/$完整图，可见通过邻域感知投影显著提升性能

4️⃣查询集规模：即查询集大小占基础集大小比重对索引性能的影响；可见起始模型对规模并不敏感

5️⃣在$\text{ID}$负载上的性能：$\text{RoarGraph}$依旧能打，和$\text{HNSW}$相当

6️⃣索引开销成本：使用$10\%$数据可大幅降低构建成本，同时保持搜索性能

\quad

$\text{3.4. RoarGraph}$的一些讨论

1️⃣运用场景：结合大量历史查询数据，用多模态深度学习模型生成嵌入，部署在大型检索$/$推荐系统

2️⃣更新机制：

1. 初始搜索：
   • 结点查询：将新插入下新基础节点$v$作为查询，在基础数据集中搜索其最邻近
   • 结点筛选：要求最邻近满足，曾在图构建过程中与至少一个查询点连接过的基础点
   • 反向回溯：对该最邻近点，回溯到与其曾建立过连接的距离最近的查询点$q$
2. 子图构建：
   • 二分子图：将$q\leftrightarrow N_{\text{out}}\text{∪}v$整合为二分子图
   • 邻域投影：将$v$作为$\text{Pivot}$按同样的方式，生成投影图

3️⃣删除操作：采用墓碑标记法$\text{Tombstones}$，即被删结点任参与路由，但排除在搜索结果中