IVF 倒排网格与残差量化

倒排文件索引 (Inverted File Index, IVF) 是一种基于空间划分 (Voronoi Partitioning) 的 ANN 粗聚类检索框架；在建索引阶段，它通过 K-Means 聚类将高维向量空间划分为 $N_{\text{list}}$ 个 Voronoi 胞元，每个胞元对应一个包含落入该区域向量 ID 的倒排列表 (Inverted List)；检索时先找到与 Query 最近的 $N_{\text{probe}}$ 个聚类中心，仅扫描这几个桶内的向量；若结合残差量化 (IVF-PQ/IVF-SQ)，则对向量相对其中心点的残差 $r = x - c$ 进行二次压缩编码。

大规模向量数据库（Faiss, Milvus, Elasticsearch Dense Vector）的磁盘/内存混合索引，平衡建索引时间与查询吞吐。

暴力检索需扫描全部 $N$ 个向量；IVF 通过空间剪枝仅需检索 $\frac{N_{\text{probe}}}{N_{\text{list}}} \cdot N$ 的数据量（通常缩小 100x~1000x），而残差编码显著降低了向量方差，使后续量化误差减小 50% 以上。

分析 IVF 中参数 $N_{\text{list}}$ (聚类中心数) 与 $N_{\text{probe}}$ (探测桶数) 对检索延迟、QPS 与 Recall 的制约关系？

什么是边界效应 (Boundary Effect)？为什么当目标向量恰好落在 Voronoi 胞元交界处时必须增大 $N_{\text{probe}}$？

为什么对残差 $r = x - c$ 进行 PQ 量化相比对原始向量 $x$ 直接量化具有更小的均方误差 (MSE)？

在数据持续动态插入 (Dynamic Ingestion) 的生产场景下，IVF 质心发生数据漂移 (Data Drift) 时应如何优雅重新训练 (Re-clustering)？

对比 IVF-Flat、IVF-SQ8 与 IVF-PQ 在检索召回率、内存占用与构建速度上的完整对比基准？