在线哈希
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
提出一种灵活而简单的哈希学习框架，能够适用于不同类型的损失函数和哈希函数，将哈希学习问题分解为哈希位学习和哈希函数学习两个步骤，并表明该框架在哈希学习领域中具有实际应用价值与性能优势。
Sep, 2013
本文提出了一种新的在线图像哈希方案 ——Hadamard 矩阵指导的在线哈希（HMOH），通过引入 Hadamard 矩阵，将学习哈希函数的过程看作一组二进制分类问题，以适应分配的目标代码，并通过 LSH 对齐目标代码和学习到的二进制代码的长度，该方法在各种最先进方法上表现出卓越的准确性和效率。
May, 2019
提出了一种具有单一学习目标的深层哈希模型，它通过最大化连续码和其对应的二元正交码之间的余弦相似度来确保哈希码的区分度和量化误差的最小化，并且可以通过批量标准化层和标签平滑方法来实现码平衡和多标签分类，这样可以消除各种损失函数的权重调整所带来的麻烦。实验结果表明，该模型在三个大规模实例检索基准测试上的表现优于现有的多损失哈希模型。
Sep, 2021
本文研究了在线学习算法中带有成对损失函数的泛化性能，并提出了一种数据依赖性较小的界限来衡量在线学习算法的平均风险产生的序列的模型偏差，同时针对常见的机器学习问题，如基于排名和监督度量学习提出了实际应用案例。
Jan, 2013
本文提出了一种创新的深度生命周期跨模式哈希方法，通过直接训练增量数据以更新哈希函数，设计生命周期学习策略以代替重复训练哈希函数，引入多标签语义相似性来监督哈希方法学习，并在基准数据集上进行实验验证，结果显示，该方法具有相对于最新的交叉模型哈希法更好的性能和对连续新数据的快速适应性。
Apr, 2023
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