基于学习支持函数分摊最大内积搜索
传统最大内积搜索（MIPS）在固定键库中重复查询时，每次都要重新计算，成本高昂。这篇文章直接瞄准了这个痛点：当查询分布已知时，能否提前学会预测答案，避免重复计算？答案是可以，而且方法很巧妙。
核心思路是将MIPS的值函数视为键集的支持函数，这是一个凸函数，其梯度恰好指向最优键。基于这个洞察，作者训练了两个互补的神经网络：SupportNet，一个输入凸网络，专门回归支持函数值，可以快速把查询路由到正确的库分区；KeyNet，直接输出最优键向量，作为查询的替代品喂给现成的索引系统。在BEIR基准测试中，这种方法在FLOPs、探针数和耗时上都显著提升了IVF匹配率。
这个工作的启发在于：很多看似必须实时计算的搜索问题，其实可以用学习到的先验知识来“作弊”。它把计算负担从“每次查询时”转移到了“一次训练时”，特别适合向量数据库和推荐系统这类场景。未来，这种思路可能让大规模检索变得更轻量、更高效，甚至改变我们对搜索索引的设计方式。
