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
本文旨在详细研究包括深度监督哈希与深度无监督哈希在内的深度哈希算法,并探讨半监督深哈希、域自适应深哈希和多模态深哈希等相关重要主题,同时介绍公共数据集和深哈希算法性能的评估方法,并提出潜在的研究方向。
Mar, 2020
本研究综述了基于哈希技术的 ANN 搜索的发展历程和应用,重点介绍了基于数据驱动学习方法和深度学习模型的哈希应用技术,分析了优缺点,并探讨了未来的研究趋势。
Sep, 2015
本文提出了一种压缩编码方法 —— 监督量化,该方法同时学习特征选择,将数据库点线性转换为低维判别子空间,并在转换空间中对数据点进行量化,使其不仅准确逼近转换点,而且在语义上是可分离的,该方法在几个标准数据集上的实验证明了其优于最先进的监督哈希和无监督量化算法。
Feb, 2019
本文研究在高维空间中,特别是欧几里德空间中找到查询点的近似最近邻的问题,提出了一种用于解决问题的新方法,并分析了其效果,同时改进了局部保持哈希函数以提高最近邻检索效率。
Oct, 2005
此篇论文调查了近邻问题的近似解决方案,如建立数据结构以实现较高的效率,并涉及到计算几何和组合几何中的相关问题。
Jun, 2018
本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码,并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。
Dec, 2013
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
本文介绍了几种量子算法,用于执行最近邻学习,核心是计算距离度量,如内积和欧氏距离。证明量子算法比对应的经典算法具有多项式降低的查询复杂度。在某些情况下,证明具有指数甚至超指数降低。研究了这些算法在几个二元分类任务上的性能,并发现分类准确性与经典方法具有竞争力。
Jan, 2014
研究了度量空间中近似最近邻的问题,其中查询点被限制在低重复维度的子空间上,而数据则是高维的。我们展示了尽管数据是高维的,这个问题仍能得到有效的解决。
Jul, 2010