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。

May, 2012

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

本文提出了基于熵局部敏感哈希的分布式分层哈希方案，能够显著减少网络流量，提高实际应用程序的运行效率。

Oct, 2012

本文提出了一种针对核化局部敏感哈希（KLSH）的简单而强大的重新解释方法，该方法是在投影空间中查看 KLSH 算法步骤的基础上实现的，并具有几个关键的理论和实际优点，包括消除 KLSH 的现有动机中存在的问题，获取 KLSH 的首个正式检索性能界限，利用改进的技术提高 KLSH 的经验性能，并在几个大规模基准图像检索数据集上进行了评估，表明该分析可至少提高 12% 的召回率性能，并且有时比标准 KLSH 方法高得多。

Nov, 2014

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

本研究提供了一种基于角度距离的交叉多面体局部敏感哈希扩展方法，其渐近敏感性证明是最优的，哈希计算时间为 O (dln d)；同时通过弗洛伊德 - 约翰逊随机矩阵变换和离散伪旋转取代高斯矩阵，将哈希计算时间从 O (d^2) 降至 O (d ln d)。此外，本方案实现了敏感度的最优收敛率，并能通过使用低随机性的弗洛伊德 - 约翰逊随机矩阵变换使得随机位的数量降至 O (ln^9 (d))。

Feb, 2016

研究了不同隐私保护机制，包括局部敏感量化的构造、带核的密度估计和增强隐私工具等，实现了快速，准确和隐私保护的数据操作。

Jul, 2023

提供了一种基于 CP 和 tensor train (TT) 分解技术的 LSH 方法，适用于欧几里得距离和余弦相似度的张量数据，具有空间高效性。

Feb, 2024

本文介绍一种将 Kernel 方法和 KLSH 技术相结合用于 NLP 结构分类的方法，并在生物医学关系提取数据集上进行了实验，结果表明该方法具有很好的准确性和高效性。

Nov, 2017

本文提出了在流模型中使用哈希和本地密集方法构造的 Johnson-Lindenstrauss 变换的稀疏版本，其每列仅具有 $\tilde {O}(\frac {1}{\epsilon})$ 非零条目，可以实现 $(1±\epsilon)$- 近似投影的更新时间为 $\tilde {O}(\frac {1}{\epsilon})$，这大大优于以前的方法所需的 $\tilde {O}(\frac {1}{\epsilon^2})$ 更新时间。

Apr, 2010