본 논문은 다중 모달 과학 데이터 관리에서 가장 일반적인 작업 중 하나인 새로운 항목이 주어졌을 때 데이터베이스에서 k개의 가장 유사한 항목(또는 k-최근접 이웃, KNN)을 검색하는 문제를 다룬다. 다중 모달 머신 러닝 모델의 최근 발전은 원래의 다중 모달 데이터에서 매핑된 소위 '임베딩 벡터'라는 의미론적 색인을 제공하지만, 결과 임베딩 벡터의 차원은 일반적으로 수백 또는 수천 차원으로 시간에 민감한 과학적 응용 프로그램에는 비실용적으로 높다. 본 논문은 차원 축소 후 상위 k개의 최근접 이웃 집합이 저차원 공간에서 변하지 않는, 즉 순서 보존 차원 축소(OPDR)를 통해 출력 임베딩 벡터의 차원을 줄이는 방법을 제안한다. 이를 위해 차원 축소 맵 동안 주요 매개변수 간의 고유한 관계를 분석하여 대상(낮은) 차원과 다른 변수 간의 상관관계를 드러내는 정량적 함수를 구성할 수 있다는 중심 가설을 설정한다. 이 가설을 증명하기 위해, 본 논문은 먼저 특정 벡터에 대한 KNN 유사성을 정량화하는 공식적인 측정 함수를 정의하고, 이 측정값을 전역 메트릭 공간의 집계 정확도로 확장한 후, 대상(낮은) 차원과 다른 변수 간의 폐쇄형 함수를 도출한다. 마지막으로, 이 폐쇄형 함수를 인기 있는 차원 축소 방법, 다양한 거리 메트릭 및 임베딩 모델에 통합한다.
