ICMLJan, 2020

生物启发哈希用于无监督相似性搜索

PDF
TL;DR基于果蝇嗅觉电路启发的两种哈希算法：FlyHash 和 BioHash，分别产生稀疏的高维哈希码，在数据驱动的过程中被证明是高效的相似性搜索方法，提出了结合生物学机制的 LSH 假设，是计算机科学领域的重要研究成果。
flyhashbiohashlshneurobiologysimilarity search
发现论文，激发创造
  • DeepLSH：深度局部敏感哈希学习用于快速高效的近似崩溃报告检测

    本文研究了如何利用局部敏感哈希（LSH）来解决软件开发过程中自动故障分组的问题，并介绍了 DeepLSH，一种 Siamese DNN 架构和原始损失函数，以逼近 Jaccard 和 Cosine 度量的局部敏感性特性，并通过一系列实验验证了这一方法。

    Oct, 2023

  • 基于昆虫启发稀疏神经网络的视觉路线跟随

    本文比较了虫子灵感启发的稀疏神经网络 FlyHash 模型与类似但不稀疏的模型在体感导航任务中的效率，并得出结论：FlyHash 模型在数据编码方面尤其高效。

    Mar, 2023

  • 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

  • 从果蝇得到的关于连续学习的算法洞见

    研究了果蝇嗅觉系统中的两层神经电路，其中通过稀疏编码和联想学习的独特组合来解决了计算系统中的连续学习挑战，显示出这种简单而轻量的算法显着提高了连续学习性能，从而证明了生物科学的电路机制可以转化为改善计算机运算的方法。

    Jul, 2021

  • 稀疏相似性保持哈希

    本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

    Dec, 2013

  • LSH 能否被神经网络取代？

    利用深度神经网络 (LLSH) 代替传统的局部敏感哈希函数族，该方法能够高效灵活地将高维数据映射到低维空间，并在同时减少时间和内存消耗、保证查询准确性方面展示了可行性，为开发人员设计和配置数据组织提供了新思路，以提高信息搜索性能。通过在不同类型数据集上进行广泛实验，验证了该方法在查询准确性、时间消耗和内存使用方面的优越性。

    Oct, 2023

  • 无监督神经生成语义哈希

    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。

    Jun, 2019

  • 基于私有设备局部敏感哈希的大规模分布式学习

    使用新的哈希函数族，开发第一个在设备上具有私密性、个性化和内存效率高的局部敏感哈希框架，实现了隐私和个性化，能够与其他 LSH 框架相竞争，训练大规模推荐网络。

    Jun, 2023

  • 密度敏感哈希

    提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

    May, 2012

  • 局部敏感二进制编码的双线性随机投影

    本文介绍了一种基于二次随机投影的双线性随机投影方法，通过对特征矩阵进行投影并生成二进制编码，从而实现相似性搜索。实验结果表明该方法具有较高的有效性。

    Jun, 2015