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

提出一种新的无需数据空间分割的随机化算法来避免由于数据维度过高而导致的数据检索问题，并通过理论分析和实验结果来证明这种算法在数据近似性、速度和空间效率等方面优于传统的局部敏感哈希算法（LSH）

Dec, 2015

本研究提出了一种使用随机空间划分树自动调整索引方法超参数的算法，相较于现有方法，该算法在查询时间上表现优异，且建立速度更快。

Dec, 2018

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

比较了FAISS和FENSHSES在汉明空间最近邻搜索中的表现，通过索引速度、搜索延迟和RAM消耗等方面进行综合评估。本比较旨在更好地理解主存和二级存储实现的最近邻搜索系统之间的权衡，这在文献中得到了很少讨论。

Jun, 2019

Falconn++是一种基于哈希的近似最近邻搜索算法，它利用本地敏感过滤技术过滤掉潜在的远点，实现了比其他哈希方案更高质量的候选结果，与在许多真实数据集上表现优异的HNSW相比具有更高的召回速度折衷。

Jun, 2022

图形化相似最近邻搜索算法的最坏情况性能研究，以HNSW、NSG和DiskANN为例，发现其实际查询时间与实例大小成线性关系，并证明其具有常数近似比和多对数查询时间的边界维数据集。

Oct, 2023