CRINN：用于近似最近邻搜索的对比强化学习

近似最近邻搜索（ANNS）算法在近期的 AI 应用中变得日益关键，尤其是在检索增强生成（RAG）和基于智能体的 LLM 应用中。在本文中，我们提出了 CRINN，一种全新的 ANNS 算法范式。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。这种方法能够在保持准确性约束的同时，自动生成速度越来越快的 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。与业界顶尖的开源 ANNS 算法相比，CRINN 在其中三个数据集（GIST-960-Euclidean、MNIST-784-Euclidean 和 GloVe-25-angular）上取得了最佳性能，并在另外两个数据集（SIFT-128-Euclidean 和 GloVe-25-angular）上并列第一。CRINN 的成功意义远不止于 ANNS 优化：它验证了使用强化学习增强的 LLM 可以成为一种有效工具，用于自动化那些需要专业知识和大量手动优化的复杂算法优化过程。代码可在 https://github.com/deepreinforce-ai/CRINN 找到。