Mar, 2016

LSH 集合：互联网规模域名搜索

PDF
TL;DR本研究主要解决域搜索问题，提出了适用于搜索开放数据和网络数据的 Jaccard 集合包含度量标准及其索引结构 Locality Sensitive Hashing Ensemble。通过实验验证，该索引结构在大规模数据情况下具有优异的查询准确度和性能。
domain searchjaccard set containmentlocality sensitive hashingopen dataweb data
发现论文，激发创造
  • 高效的分布式局部敏感哈希

    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

  • 最近邻搜索的学习空间划分

    本研究提出一种新的框架用于构建空间划分，将问题转化为平衡图划分和监督分类，并结合 KaHIP 图分区器和神经网络，实现了一种新的分区过程称为神经局部敏感哈希（Neural LSH），实验证明 Neural LSH 的分区在标准最近邻搜索（NNS）基准测试中，始终优于基于量化和树的方法，以及经典的数据无关 LSH。

    Jan, 2019

  • LSH 能否被神经网络取代？

    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

  • DeepLSH：深度局部敏感哈希学习用于快速高效的近似崩溃报告检测

    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

  • 密度敏感哈希

    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

  • 对称和非对称 LSH 用于内积搜索

    研究局部敏感哈希的设计问题中对内积相似度问题的对称和非对称哈希的功效及提供了性能更好的对称 LSH 解决方案和非对称 LSH 的变体的需求场景。

    Oct, 2014

  • 范数范围局部敏感哈希用于最大内积搜索

    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

  • 具有理论保证的快速局部敏感哈希

    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

  • LSF-Join: 基于局部敏感过滤的偏斜分布下分布式全对集合相似性算法

    提出一种基于局部敏感过滤的随机选择算法 LSF-Join，可以高效地在大数据集上以近似的方式查找所有匹配对，特别适用于高维数据集，解决了以往算法在大规模数据上无法适用的问题。

    Mar, 2020

  • 基于私有设备局部敏感哈希的大规模分布式学习

    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