SIGIRJun, 2019

无监督神经生成语义哈希

PDF
TL;DR提出了一种新的无监督生成语义哈希方法 (Ranking based Semantic Hashing,RBSH)，它由一个变分部分和一个基于排名的部分组成，能够通过哈希码生成实现文档排序，实验结果显示，相较于传统方法和最新的语义哈希方法，这种方法在不同哈希码长度下均表现得更好，使用的哈希码长度通常减少 2-4 倍。
semantic hashingneural networksunsupervised learninghash code generationsimilarity search
发现论文，激发创造
  • 自学习哈希用于快速相似性搜索

    该论文提出一种基于自学习的哈希方法，通过无监督学习为给定语料库中的所有文档找到 $l$ 位二进制码，再通过有监督学习训练 $l$ 个分类器，以预测之前未见过的查询文档的 $l$ 位码。在三个真实的文本数据集上的实验表明，该方法比现有技术显著地优越。

    Apr, 2010

  • 基于深度语义排名的多标签图像检索哈希

    使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

    Jan, 2015

  • 无监督语义哈希与对偶重构

    本文介绍了使用 Pairwise Reconstruction 的语义哈希方法，将弱监督的训练对编码为哈希码，并通过对这些哈希码的成对重构来实现对局部邻域结构的编码，从而在文档相似度搜索任务中获得了重要的性能改进。

    Jul, 2020

  • 无监督多索引语义哈希

    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

  • 文本文件的变分深层语义哈希

    本文提出了一系列新颖的基于深度生成模型的文本哈希方法，并通过实验证明了深度学习在文本哈希中的有效性。

    Aug, 2017

  • NASH: 面向生成语义哈希的端到端神经结构

    本文提出一种新型神经网络模型 NASH，用于信息检索中的语义哈希，利用伯努利潜变量处理二进制约束。采用神经变分推理框架进行训练，直接通过离散潜变量反向传播梯度以优化哈希函数。结合率失真理论，本文进行了理论分析，通过在三个公开数据集上的实验验证其有效性。结果表明，在无监督和监督方案下，我们的方法显著优于几种最新的模型。

    May, 2018

  • 伯努利变分自编码器和自控梯度估计的成对监督哈希

    介绍了一种基于离散隐变量 VAE 的成对损失函数，通过使用无偏的低方差梯度估计器，优化网络并获得了良好的性能

    May, 2020

  • 无监督语义深度哈希

    本文提出了一种名为无监督语义深度哈希（USDH）的新型无监督深度哈希方法，使用卷积神经网络学习特征和哈希码，并利用 CNN 特征层中保留的语义信息来指导网络训练。在 CIFAR-10，NUSWIDE 和 Oxford 17 数据集上进行了广泛实验，结果表明 USDH 相较于其他无监督哈希方法更加有效。

    Mar, 2018

  • 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

  • 维护语义层次的大规模图像检索深度哈希

    本研究提出了一种有效的方法，以保留完整语义层次结构的类别相似性，以提高大规模图像检索的精细级别性能并生成更好的二进制代码。

    Jan, 2019