密度敏感哈希

May, 2012

Density Sensitive Hashing

Yue Lin, Deng Cai, Cheng Li

TL;DR提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

Abstract

nearest neighbors search is a fundamental problem in various research fields like machine learning, data mining and pattern recognition. Recently, hashing-based approaches, e.g., →

发现论文，激发创造

基于多索引哈希的汉明空间快速精确搜索

使用紧凑的二进制编码表示图像数据和特征描述符的研究表明，多个哈希表可用于在 Hamming 空间中进行精确的 k 近邻搜索，并且在 64、128 或 256 位的十亿级数据集上，其运行时间呈子线性表现，从而实现了极大的速度提升。

Jul, 2013

稀疏相似性保持哈希

本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

Dec, 2013

一种置换哈希方法的密集性改进

本文提出了一种新的稠密化策略，使 $(K,L)$ 参数的局部敏感哈希 (Locality Sensitive Hashing)的 minwise 哈希算法在查询处理成本上从 $O(dKL)$ 降至仅 $O(d + KL)$，针对非常稀疏的数据集，该改进的技术表现更好，并且在查询处理成本上与现有程序相同。

Jun, 2014

一项相似性搜索的哈希调查

本文介绍了哈希方法作为解决最近邻搜索问题的一种主要方法的概述，其中对基于数据分布设计哈希函数和基于数据学习设计哈希函数的两种主要哈希算法进行了阐述和综述。

Aug, 2014

学习哈希在大数据索引中的应用 - 一份综述

本研究综述了基于哈希技术的ANN搜索的发展历程和应用，重点介绍了基于数据驱动学习方法和深度学习模型的哈希应用技术，分析了优缺点，并探讨了未来的研究趋势。

Sep, 2015

学习哈希的调查

本文系统综述了最近邻搜索问题中的哈希学习算法，将其按照不同的相似性保存方式进行分类，并分别阐述其性能评估和效益分析，最终指出量化算法在搜索精度、搜索时间、空间花费等方面都表现优异，并介绍了一些新兴话题。

Jun, 2016

基于私有设备局部敏感哈希的大规模分布式学习

使用新的哈希函数族，开发第一个在设备上具有私密性、个性化和内存效率高的局部敏感哈希框架，实现了隐私和个性化，能够与其他LSH框架相竞争，训练大规模推荐网络。