研究探讨了将哈希值划分为 m 个块的 Pb-Hash 的方法，并表明使用 Pb-Hash 在一定范围内不会影响准确性，在机器学习任务中验证了 Pb-Hash 的有效性。

Jun, 2023

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%。

Nov, 2017

本文提出了一种简单有效的大规模学习方案，结合学习算法（如 SVM 和逻辑回归）的 b 位 minwise 哈希可以自然地集成，大规模问题可以极其高效地解决，并与 Vowpal Wabbit 算法进行比较。

Jun, 2011

本文探讨在搜索场景下使用 b 位最小哈希法（“minwise hashing”）需要解决的问题，并提出了并行化方案、基于简单哈希函数的 b 位最小哈希实现方法等，验证了该方法在数据大小和训练效果上的优势。

May, 2012

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

通过研究算法 minHash 在动态插入和删除特征的情况下的表现，我们提出了一种高效、准确且易于实现的算法，通过适应性调整 minHash 草图，显著加快运行时间，并提供与从头开始运行 minHash 相当的性能。

Aug, 2023

深度优先哈希（DPH）是一种基于贝叶斯学习框架的端到端体系结构，其通过重新调整标准交叉熵损失来优先处理训练数据中的不确定对，以生成高质量的哈希码，并在 ImageNet、NUS-WIDE 和 MS-COCO 三个数据集上取得了最先进的图像检索结果。

Sep, 2018

本文建立了 b 位最小哈希的理论框架，通过仅存储每个（最小化）哈希值的最低 b 位，可以在计算效率和存储空间方面获得相当大的优势，提供了任何 b 的相似度的无偏估计，即使在最不利的情况下，使用 b = 1 也可以将存储空间至少减少 21.3（或 10.7）倍，如果对相似度 > 0.5 感兴趣。

Oct, 2009

本研究探讨了在大规模数据处理应用中，MinHash 和 SimHash 是两种广泛采用的局部敏感哈希算法。研究表明，当数据为二进制时，MinHash 几乎总是优于 SimHash；本研究还提供了基于相似性和余弦相似性的算法比较方法。

Jul, 2014

本文提出了一种新的稠密化策略，使 $(K,L)$ 参数的局部敏感哈希 (Locality Sensitive Hashing) 的 minwise 哈希算法在查询处理成本上从 $O (dKL)$ 降至仅 $O (d + KL)$，针对非常稀疏的数据集，该改进的技术表现更好，并且在查询处理成本上与现有程序相同。

Jun, 2014