<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Geometri Representasi on Nalar</title>
    <link>https://nalar.dev/id/tags/geometri-representasi/</link>
    <description>Recent content in Geometri Representasi on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Wed, 16 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/geometri-representasi/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Ukur Anisotropi Embedding Sebelum Vector Retrieval</title>
      <link>https://nalar.dev/id/ukur-anisotropi-embedding-sebelum-vector-retrieval/</link>
      <pubDate>Wed, 16 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/ukur-anisotropi-embedding-sebelum-vector-retrieval/</guid>
      <description>&lt;p&gt;Cosine similarity sering diperlakukan sebagai perbandingan lokal antara satu query embedding dan satu candidate. Interpretasi itu menjadi kurang informatif ketika sebagian besar vector menempati sekumpulan arah yang sempit. Item yang tidak berhubungan kemudian dapat memiliki komponen bersama yang cukup besar, sehingga range angle yang digunakan retrieval untuk membedakan candidate menjadi terkompresi.&lt;/p&gt;&#xA;&lt;p&gt;Konsentrasi arah ini umum disebut embedding anisotropy. Ini adalah properti distribusi vector, bukan cacat yang dapat disimpulkan dari satu similarity score. Bagi developer, persoalan praktisnya adalah nilai cosine tetap tidak memiliki makna universal. Kegunaannya sebagian bergantung pada geometri populasi embedding tempat score tersebut dihasilkan.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
