NIPSNov, 2017

相似性估计和维度减少的实用哈希函数

PDF
TL;DR该论文研究了哈希在机器学习中降维的基本用途，比较了各种哈希方案的性能，主要关注该领域中的两个应用：相似度估计与特征哈希。作者发现 Dahlgaard 等人的混合制表哈希是一种在许多应用中表现良好的伪随机哈希函数，其性能与真随机哈希函数相似，比 MurmurHash3 快 40%。
hashingdimensionality reductionsimilarity estimationfeature hashingmixed tabulation hashing
发现论文，激发创造
  • 达到平衡相似度的最优离散在线哈希

    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

  • 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

  • 差分隐私一次置换哈希和按位一致加权采样

    本研究将差分隐私与一种名为 OPH 的子线性接近邻近搜索算法相结合，提出了 DP-OPH 框架，并通过实验比较 DP-OPH 与 DP-MH 的性能，同时将其技术扩展到非二进制数据的分类任务中。

    Jun, 2023

  • 深度哈希：图像签名学习的联合方法

    本文提出一种新的算法，该算法同时执行特征工程和非线性监督哈希函数学习，使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播，并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明，我们的算法明显优于所有现有的最先进的竞争对手，特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。

    Aug, 2016

  • 相似度分布学习的监督在线哈希

    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

  • 大规模多任务学习的特征散列

    本文研究哈希作为一种优秀的降维和实用的非参数估计策略，并提供特征哈希的指数尾部界限，证明随机子空间之间的交互在高概率下是可以忽略的。同时，展示了在多任务学习这一新应用场景中采用此方法的可行性。

    Feb, 2009

  • 多标记投影下快速在线哈希

    本文介绍了一种基于动态哈希思想的在线哈希方法，该方法可以更快地进行最近邻搜索，并考虑了多标签数据的监督关系，实现了高效的响应时间。

    Dec, 2022

  • 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

  • 简单制表哈希的威力

    本文介绍了一种基于最简单的表查询散列算法提供出乎意料的强大性能的方案，详细论述了散列算法在实现简单性与理论保证上的一些权衡。

    Nov, 2010

  • 基于正则化相似度学习的可扩展深度哈希用于图像检索和个体重新识别

    本研究提出了一种监督学习框架，直接从原始图像中生成紧凑且可扩展的哈希编码，通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界，并同时优化图像特征和哈希函数，从而在实际应用中更具有灵活性和更高的性能。

    Aug, 2015