本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。

Aug, 2014

本文提出一种基于深度学习的监督离散哈希算法，利用分类信息和成对标签信息在单流框架中学习哈希码，并通过交替最小化方法进行优化，实验结果表明该方法在基准数据集上优于当前最先进的方法。

May, 2017

本文研究哈希作为一种优秀的降维和实用的非参数估计策略，并提供特征哈希的指数尾部界限，证明随机子空间之间的交互在高概率下是可以忽略的。同时，展示了在多任务学习这一新应用场景中采用此方法的可行性。

Feb, 2009

本文提出了一种名为 Deep Discrete Supervised Hashing (DDSH) 的新型深度哈希方法，它是第一个可以利用监督信息直接引导离散编码过程和深度特征学习过程的深度哈希方法，从而增强这两个重要过程之间的反馈，并在图像检索任务中胜过其他基线算法。

Jul, 2017

这篇论文提出了一种深度网络模型和学习算法，用于无监督和监督二进制哈希，通过约束单个隐藏层直接输出二进制代码，并在学习中严格考虑独立性和平衡性，以及相似性保持属性，从而在三个基准数据集上比先前方法表现更佳。

Jul, 2016

本文提出了一种新的深度哈希方法，称为监督分层深度哈希（SHDH），该方法在层次化分类数据的哈希编码学习方面优于现有方法，设计了一种新的相似度公式和深度卷积神经网络来实现图像检索任务。

Apr, 2017

本文提出了一种简单有效的大规模学习方案，结合学习算法（如 SVM 和逻辑回归）的 b 位 minwise 哈希可以自然地集成，大规模问题可以极其高效地解决，并与 Vowpal Wabbit 算法进行比较。

Jun, 2011

本文提出了一种深度学习结构的监督哈希方法，其中图像通过经过精心设计的卷积神经网络映射为二进制代码，通过三个构建模块的流水线过程（卷积子网络，划分编码模块和三元组排序损失），实现最近邻搜索的高效率和精确度。

Apr, 2015

本文提出了一种基于双线性函数的超平面哈希技术，可以解决使用随机投影时现有随机方法所需的较长哈希编码导致降低搜索速度和内存占用等问题，并通过数据学习构建了一种短而有辨别力的哈希编码。实验表明，该方法在大规模主动学习任务中具有优越性。

Jun, 2012

该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

Nov, 2015