本文探讨在搜索场景下使用b位最小哈希法（“minwise hashing”）需要解决的问题，并提出了并行化方案、基于简单哈希函数的b位最小哈希实现方法等，验证了该方法在数据大小和训练效果上的优势。

May, 2012

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

提出了基于列生成的学习数据相关哈希函数的建议，通过三元组来学习哈希函数，使用大边缘学习框架尽可能地保留数据的相对比较关系。实验表明，该方法学习到了紧凑的二进制代码，并且当在一些基准数据集上进行测试时，其检索性能与最先进的方法相比具有优势。

Mar, 2013

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

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

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

本研究提出了一种互信息学习的哈希方法MIHash，可以在在线和批处理设置中使用，有效地减少哈希表重新计算并学习具有高质量的哈希函数，在2.5M图像数据集上取得了良好的表现。

Mar, 2017

本论文提出了一种基于多索引哈希的无监督哈希模型，使用全新的训练目标学习哈希码，提高多文档相似性搜索的效率，该模型相比于现有模型具有更高的效率，实验结果显示其效果优于现有语意哈希模型。

Mar, 2021

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