TMLR

A Faster Generalized Two-Stage Approximate Top-K

更快的通用两阶段近似Top-K算法

Yashas Samaga, Varun Yerram, Spandana Raj Babbula, Prateek Jain, Praneeth Netrapalli

机构 * University of Washington, Seattle（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种改进的两阶段近似Top-K算法，通过调整第一阶段的分区策略，减少第二阶段输入规模并提升效率，同时保持相同预期召回率。

Comments Accepted at TMLR May 2026