## 定義 ベクトル検索インデックスとは、高次元埋め込みベクトルの集合に対する近似最近傍探索(Approximate Nearest Neighbor Search, ANNS)を効率化するデータ構造の総称である。埋め込みベクトル自体(通常768次元前後のFP32配列)と、探索を高速化するためのインデックスメタデータ(近接グラフの隣接リストやクラスタ中心など)の2つの構成要素からなり、両方を保存するとストレージサイズが元データの数倍に膨れ上がる点が中心的な設計課題となる。代表的な構造として、クラスタベースのIVF(Inverted File)と、グラフベースの近接グラフ(HNSW・NSG・Vamana等)があり、後者は探索精度・計算量で優れる一方インデックスサイズが大きい。(Source: [[@2025__arXiv__LEANN - A Low-Storage Vector Index]]) ## 横断的知見 - 単一ソース(LEANN論文)からの導入であるため、複数ソースを突き合わせた横断的知見はまだない。LEANNが提示する中心的知見――「埋め込みを保存せずクエリ時に再計算する」「グラフメタデータの中で高次数ノードだけを保存すれば精度をほぼ落とさず圧縮できる」という2つの設計原理――は、次にこの概念へ追加されるソースとの比較対象として記録しておく。(Source: [[@2025__arXiv__LEANN - A Low-Storage Vector Index]]) ## 未解決の問い - ベクトル検索インデックスのストレージ効率化(LEANN)と、[[KVキャッシュ管理]] が扱うLLM推論時のメモリ効率化は、いずれも「頻繁にアクセスされる要素を保持し稀な要素は再計算/退避する」という設計原理を共有するように見えるが、両者の技術(PQ圧縮・グラフ枝刈り vs KVキャッシュ圧縮・オフロード)が交差する余地はあるか。 - LEANNのオンザフライ埋め込み再計算という発想は、[[エージェントメモリ]] が扱う長期記憶の検索機構(トークンレベル/潜在メモリ)にどう応用できるか。エージェントメモリの「忘却」機構とLEANNの「ストレージ予算内での枝刈り」は類似の制約最適化問題として統一的に扱えるか。 - ストレージ効率型インデックス(LEANN)と、精度・レイテンシ最優先の伝統的インデックス(HNSW・DiskANN)を同一システム内でワークロード特性(QPS・生成時間の支配度)に応じて動的に切り替える設計は可能か。 - LEANNが前提とする「生成時間がレイテンシを支配する」という条件が成立しない高スループット・低レイテンシ要求のRAGワークロード(論文が非対象と明記する領域)に対し、ストレージ削減とレイテンシ維持を両立する代替アプローチは何か。 ## 関連 - ソース: [[@2025__arXiv__LEANN - A Low-Storage Vector Index]] - 概念: [[LLM向け情報検索]] / [[エージェントメモリ]] / [[KVキャッシュ管理]] - エンティティ: [[Yichuan Wang]] / [[Ion Stoica]] / [[Matei Zaharia]] / [[Joseph E. Gonzalez]] / [[LEANN (repository)]] ## 出典 - [[@2025__arXiv__LEANN - A Low-Storage Vector Index]] — Yichuan Wang ほか(UC Berkeley・CUHK・Amazon Web Services・UC Davis)、arXiv:2506.08276、MLSys 2026 Oral