密度敏感哈希
通过随机抽样和随机投影的组合,FastLSH 算法将 LSH 计算的时间复杂度从 O (n) 降低到 O (m)(其中 m < n),并具有可证明的 LSH 属性,是一种有希望替代经典 LSH 方案的方法。
Sep, 2023
利用深度神经网络 (LLSH) 代替传统的局部敏感哈希函数族,该方法能够高效灵活地将高维数据映射到低维空间,并在同时减少时间和内存消耗、保证查询准确性方面展示了可行性,为开发人员设计和配置数据组织提供了新思路,以提高信息搜索性能。通过在不同类型数据集上进行广泛实验,验证了该方法在查询准确性、时间消耗和内存使用方面的优越性。
Oct, 2023
本文研究了如何利用局部敏感哈希(LSH)来解决软件开发过程中自动故障分组的问题,并介绍了 DeepLSH,一种 Siamese DNN 架构和原始损失函数,以逼近 Jaccard 和 Cosine 度量的局部敏感性特性,并通过一系列实验验证了这一方法。
Oct, 2023
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
本文提出了一种基于数据的哈希方案,用于解决近似最近邻问题,对于 $n$ 个 $d$ 维数据集,我们的数据结构实现了查询时间 $O (d n^{ ho+o (1)})$ 和空间复杂度 $O (n^{1+ ho+o (1)}+dn)$,其中 $ ho= frac {1}{2c^2-1}$,而在 Hamming 空间中,我们获得了指数 $ ho= frac {1}{2c-1}$。此外,我们的结果比所有逼近因子 $c>1$ 的最佳 LSH 数据结构 [IM98, AI06] 更优。
Jan, 2015
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。
Jun, 2023