MIHash：具有互信息的在线哈希算法
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
本论文提出了一种基于最小描述长度原则的生成式二元哈希学习方法，通过随机分布梯度基于优化哈希函数及关联生成模型的参数，以实现对海量数据库的快速搜索与检索。实验结果表明，该方法在多种大规模数据集上实现了比现有最先进方法更好的检索结果。
Jan, 2017
提出了一种在线哈希模型来适应流数据的在线学习，并通过衡量两个数据样本之间在汉明空间中的相似损失来导出结构化哈希模型以被被被优化，该工作对所提出的在线哈希模型累积损失的上界进行了理论分析，并将在线哈希从单一模型扩展到多模型在线哈希，通过在多个大规模数据集上的大量实验验证了所提出的在线哈希模型的竞争效率和效果而言，相比相关的哈希方法。
Apr, 2017
本文提出一种新的基于对称图正则化的在线离散哈希方法BSODH，通过一个平衡相似和相异权重的平衡相似性方法，解决了应用离散优化时可能遇到的数据不均衡问题，并在三个广泛使用的基准测试中进行广泛实验，证明了该方法的优势。
Jan, 2019
本文提出了一种Semantic-Aware DIscrete Hashing（SADIH）框架，旨在将转换后的语义信息直接嵌入到不对称相似度逼近和判别式哈希函数学习中，以克服监督哈希中全面保留对成对相似度的学习过程过于昂贵且无法扩展以处理大数据的问题。在多个大规模数据集上的实验结果表明，我们的SADIH可以明显优于最先进的基线，同时具有更低的计算成本。
Apr, 2019
本研究提出一种基于相似度分布的在线哈希方法(SDOH)，采用高斯归一化处理来解决极不平衡分布问题并通过最小化KL散度来对齐相似度分布，最后在三个广泛使用的基准测试中验证了该方法的优越性。
May, 2019
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