Tag: applied-scientist
-
【AI 核心深度 M7-026】解释召回-排序的目标错配与端到端训练（Explain Objective Mismatch Between Retrieval and Ranking, and End-to-End Alignment Techniques）深度数理推导与工程落地解析
召回用双塔（无交互）、排序用交叉编码器（有交互），两者目标不同；用蒸馏/端到端训练缩小错配。
-
【AI 核心深度 M7-027】解释检索的多语言与多模态融合（Explain Multilingual and Multimodal Fusion in Unified Search Engines）深度数理推导与工程落地解析
把多语言（不同语言查询/文档）与多模态（文本/图像/音频）的检索结果融合；需处理’跨空间可比性’与’配额’。
-
【AI 核心深度 M7-028】解释 HNSW 的结构与查询复杂度（Explain the Structure, Search Algorithm, and Query Complexity of Hierarchical Navigable Small World (HNSW) Graphs）深度数理推导与工程落地解析
多层可导航小世界图：上层稀疏（快速跳转）、下层密集（精细搜索）；查询复杂度约 O(log N)。
-
【AI 核心深度 M7-029】解释 IVF 与 PQ 的原理（Explain the Principles of Inverted File (IVF) and Product Quantization (PQ) for Vector Search）深度数理推导与工程落地解析
IVF 先聚类缩小搜索范围（nprobe 控制）；PQ 把向量切段量化省内存；IVF-PQ 组合最省内存。
-
【AI 核心深度 M7-030】解释 ANN 检索的召回率-延迟权衡参数（Explain the Recall-Latency Trade-Off Parameters in Approximate Nearest Neighbor (ANN) Search）深度数理推导与工程落地解析
各索引都有’召回-延迟’旋钮：HNSW 的 efSearch、IVF 的 n_probe、PQ 的段数；需按 SLA 调优。
-
【AI 核心深度 M7-031】比较 HNSW 与 IVF-PQ 的适用场景（Compare the Characteristics and Operational Trade-Offs of HNSW versus IVF-PQ）深度数理推导与工程落地解析
HNSW 高召回低延迟但内存大；IVF-PQ 内存极省但召回较低（需重排）；按规模与内存选。
-
【AI 核心深度 M7-008】解释双塔（Dual Encoder）检索的架构与训练（Explain the Architecture and Training Protocol of Dual Encoder (Bi-Encoder) Retrieval）深度数理推导与工程落地解析
查询与文档各用一个编码器映射到同一向量空间，用内积/余弦算相似度；文档向量可离线预计算。
-
【AI 核心深度 M7-009】解释 DPR 的 in-batch negatives 训练（Explain Dense Passage Retrieval (DPR) Training with In-Batch Negatives）深度数理推导与工程落地解析
DPR 用两个独立编码器 + in-batch negatives（batch 内其他文档作为负样本）训练，配合 BM25 难负样本。
-
【AI 核心深度 M7-010】解释难负样本挖掘的作用与方法（Explain the Role and Methodology of Hard Negative Mining in Dense Retrieval）深度数理推导与工程落地解析
随机负样本太易（梯度小）；难负样本（相似但不相关）提供更强信号；方法：BM25 挖、模型挖、迭代挖。
-
【AI 核心深度 M7-011】解释对比学习中的温度参数与它的作用（Explain the Temperature Parameter in Contrastive Learning and Its Impact on Optimization）深度数理推导与工程落地解析
τ 控制 softmax 锐度：小 τ 聚焦最难负样本、大 τ 更平滑；检索中常用可学习温度（0.01~0.07）。