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

本文提出了一种新的基于监督离散哈希（SDH）的学习型哈希方法，称为快速监督离散哈希（FSDH）。FSDH 使用一种简单但有效的回归方法来加速算法，具有封闭的解决方案，只需要单个哈希代码求解步骤，非常高效。作者的实验结果表明，FSDH 不仅快速，而且优于其他比较方法。

Apr, 2019

提出了一种在线哈希模型来适应流数据的在线学习，并通过衡量两个数据样本之间在汉明空间中的相似损失来导出结构化哈希模型以被被被优化，该工作对所提出的在线哈希模型累积损失的上界进行了理论分析，并将在线哈希从单一模型扩展到多模型在线哈希，通过在多个大规模数据集上的大量实验验证了所提出的在线哈希模型的竞争效率和效果而言，相比相关的哈希方法。

Apr, 2017

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

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

本文提出一种基于深度学习的监督离散哈希算法，利用分类信息和成对标签信息在单流框架中学习哈希码，并通过交替最小化方法进行优化，实验结果表明该方法在基准数据集上优于当前最先进的方法。

May, 2017

本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。

Aug, 2014

基于在线继续学习的类别增量学习 (Class incremental learning, CIL) 旨在从数据流中仅使用每个数据点进行一次训练，从一系列新类别中获得知识。本文提出了一种名为 FOCIL 的新的在线 CIL 方法，它通过为每个任务训练随机修剪的稀疏子网络来不断微调主体结构，然后冻结训练好的连接以防止遗忘。FOCIL 还能自适应地确定每个任务的稀疏度水平和学习速率，并确保在所有任务中（几乎）不会遗忘，而无需存储任何重播数据。10 个任务的 CIFAR100、20 个任务的 CIFAR100 和 100 个任务的 TinyImagenet 的实验结果表明，我们的方法在性能上大幅优于 SOTA。代码可在此 https URL 公开获取。

Mar, 2024

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

该研究设计了一种在线学习方法，可以自适应地优化稳定性 - 可塑性权衡，具有优异的性能表现。

Jan, 2023