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

该研究介绍了一种名为优先的动态连续索引（Prioritized DCI）的变体，用于k近邻搜索，并且相对于现有方法（如局部敏感哈希, LSH），优先DCI通过线性增加空间而不是查询时间的依赖来解决了维数灾难的问题，并在内在维数方面展现了显着的改进。

Mar, 2017

本文提出一种新的基于倒排索引的检索系统，相比于现有的基于多重索引的系统，在相同内存消耗和构建复杂度下，在十亿级深度描述符数据集上，取得了数倍于现有最先进方法的检索性能。

Feb, 2018

该研究提出了一种基于互信息优化的新型监督式哈希方法，通过在深度神经网络中优化互信息来学习二进制向量嵌入，从而在大规模高维对象数据库检索中获得高质量的二进制嵌入。

Mar, 2018

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

本条研究提出了史上首个可查询到数据集中最近邻居的亚线性内存草图，并利用局部敏感哈希（LSH）估计器、在线核密度估计和压缩感知相结合来实现稳定查询的子线性内存性能，以取得内存-精度权衡的理论效果。

Feb, 2019

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

通过引入具有概率保证的方法，该研究旨在增强基于图的最近邻搜索中的路由，提出了PEOs，一种有效地确定图中应考虑的邻居进行准确距离计算的新方法，实验证明其在常用图索引（HNSW）上可以提高吞吐量1.6到2.5倍，并且其效率始终比最先进的路由技术提高1.1到1.4倍。

Feb, 2024

本文提出了一种用于端到端学习数据结构的通用框架，能够适应底层数据分布，并对查询和空间复杂度进行精细控制。我们的框架通过从零开始学习数据结构，解决了最近邻搜索的问题，发现了多维数据中的有效结构，具有广泛的应用潜力。

Nov, 2024