Gần đây, lượng tử hóa (PQ) [9] đã được nghiên cứu tích cực cho các ứng dụng của nó trong tìm kiếm gần đúng nhanh (ANN) và lập chỉ mục đặc trưng. Các biến thể khác nhau của kỹ thuật PQ đã được trình bày để tối ưu hóa giai đoạn lượng tử hóa, chẳng hạn như PQ được tối ưu hóa [6, 20], PQ được tối ưu hóa cục bộ [10], hoặc PQ nhạy cảm với phân phối (DSPQ) [13]. PQ cũng có thể kết hợp với ý tưởng phân cụm phân cấp để tăng hiệu năng tìm kiếm như được trình bày trong [23, 25]. Các thực nghiệm mở rộng đã được tiến hành trong [23, 25], cho thấy kết quả của cây PQ và K-mean kết hợp khi so sánh với các cách tiếp cận hiện có.
Trong chương này, nghiên cứu sinh đề xuất một cách sử dụng khác của ý tưởng PQ. Đối với PQ, không gian dữ liệu đầu tiên được phân chia thành các không gian con rời rạc. Không giống như PQ, các véc tơ con của một số các không gian con liên tiếp được nhóm lại trước khi thực hiện lượng tử hóa véc tơ. Ý tưởng mới này giúp khai thác tốt hơn mối tương quan của dữ liệu trên các không gian con. Bằng cách này, một số không gian con sẽ chia sẻ một bộ định lượng chung có số lượng trọng tâm là cao hơn so với những người sử dụng trong PQ. Cụ thể, số lượng trọng tậm hoặc từ mã được sử dụng trong phương pháp của nghiên cứu sinh tỷ lệ với số lượng không gian con được nhóm lại. Mặc dù đề xuất phương pháp sử dụng số lượng từ mã cao hơn cho mỗi bộ định lượng, tổng số trọng tâm vẫn giống như trong phương pháp PQ và do đó nó tiêu thụ cùng một ngân sách bit.