Skip to main content
AI RADARGitHub
30•12.11.2026, 15:00•2 min czytania

Meta FAIR wprowadza e-means: algorytm klasteryzacji szybszy niż k-means

GitHubGotBurnout Radar

Meta FAIR wprowadza e-means: algorytm klasteryzacji szybszy niż k-means

AI Daily Digest•Verified Tech Release
W skrócie30 sek.

Meta FAIR zaprezentowała e-means — algorytm klasteryzacji, który osiąga jakość k-means w 1,4–2,6 epoce i przyspiesza przetwarzanie dużych baz wektorowych.

Meta FAIR zaprezentowała e-means, algorytm klasteryzacji, który osiąga jakość klasycznego k-means w zaledwie 1,4–2,6 epoce i znacznie przyspiesza pracę z dużymi bazami wektorów.

k-means pozostaje jednym z najczęściej używanych algorytmów ML: wyszukiwanie wektorowe, RAG, klasteryzacja embeddingów, czyszczenie i równoważenie zestawów danych, kwantyzacja wag i KV-cache, tworzenie codebooków dla tokenów obrazów i dźwięku, analiza danych oraz wykrywanie anomalii. Jednak przy miliardach wektorów każdy pełny przebieg k-means jest bardzo kosztowny.

Autorzy proponują aktualizowanie centrów klastrów za pomocą wykładniczej średniej kroczącej po batchach. Dla każdego klastra przechowywane są liczba punktów i ich suma; wraz z każdym nowym batchem wartości te są aktualizowane tak, aby nowsze dane miały większą wagę, a starsze były stopniowo zapominane. Centrum klastra pozostaje zwykłą średnią — sumą podzieloną przez liczbę punktów.

Dzięki temu centra zaczynają się przesuwać już po pierwszych batchach, a nie po pełnym przebiegu przez dane. Rozmiar batcha i krok aktualizacji są wyliczane według gotowych wzorów, więc nie trzeba ręcznie dobierać hiperparametrów.

Ostatecznie e-means osiąga jakość klasycznego k-means wielokrotnie szybciej i nawet z nieco mniejszą stratą. W największym teście — 10 miliardów embeddingów i 16 milionów klastrów — zużył prawie 9 razy mniej godzin GPU.

Jest to szczególnie ważne dla systemów RAG na ogromnych bazach, gdzie budowanie indeksów może wymagać tysięcy godzin pracy GPU.

Artykuł | Kod | Projekt

Dlaczego to ważne

Analiza

Szybsza klasteryzacja może obniżyć koszt indeksowania dużych baz wektorowych w systemach RAG i innych zastosowaniach AI opartych na embeddingach.

Dyskutuj w społeczności

Dziel się swoimi pytaniami i spostrzeżeniami z programistami

Dołącz do Telegrama

Powiązane w ekosystemie

Praktyczne poradniki, kluczowa terminologia i skille agentów