对称和非对称 LSH 用于内积搜索
本文提出了第一个可证明的次线性时间算法,用于近似最大内积搜索,该建议也是使用未归一化的内积作为底层相似度度量的第一个哈希算法。
May, 2014
本文提供了一种将最大内积搜索问题转化为余弦相似度搜索问题的方法,该方法使用了不对称变换和有符号随机投影进行优化,相较于之前的方法更为高效。
Oct, 2014
该研究提出了 Norm-ranging LSH 的哈希方法,它可以通过将数据集划分为多个子数据集,为每个子数据集建立一个哈希索引,改善 Simple-LSH 中长尾规范化问题,并且证明 Norm-ranging LSH 具有比 Simple-LSH 更低的查询时间复杂度。此外,该研究还提出了一种新的相似度度量方法。实验证明,相对于 Simple-LSH,Norm-ranging LSH 可以实现一个数量级的加速,并显著提高了涉及最大内积搜索的应用程序性能。
Sep, 2018
证明了存在一种角距离的局部敏感哈希族,可以产生一个渐进最优运行时间指数的近邻搜索算法。同时,提出了这种算法的多探针版本,并在真实和合成数据集上进行实验评估。
Sep, 2015
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
本研究提出了一种新的深度学习哈希方法,叫做不对称深度监督哈希,针对大规模最近邻搜索。该方法仅针对查询点学习深度哈希函数,而直接学习数据库点的哈希代码。实验表明 ADSH 可以在真实应用中实现最先进的性能。
Jul, 2017
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