通过随机抽样和随机投影的组合，FastLSH 算法将 LSH 计算的时间复杂度从 O (n) 降低到 O (m)（其中 m < n），并具有可证明的 LSH 属性，是一种有希望替代经典 LSH 方案的方法。

Sep, 2023

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

本文提出了基于熵局部敏感哈希的分布式分层哈希方案，能够显著减少网络流量，提高实际应用程序的运行效率。

Oct, 2012

证明了存在一种角距离的局部敏感哈希族，可以产生一个渐进最优运行时间指数的近邻搜索算法。同时，提出了这种算法的多探针版本，并在真实和合成数据集上进行实验评估。

Sep, 2015

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

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

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

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

本文提出了一种针对核化局部敏感哈希（KLSH）的简单而强大的重新解释方法，该方法是在投影空间中查看 KLSH 算法步骤的基础上实现的，并具有几个关键的理论和实际优点，包括消除 KLSH 的现有动机中存在的问题，获取 KLSH 的首个正式检索性能界限，利用改进的技术提高 KLSH 的经验性能，并在几个大规模基准图像检索数据集上进行了评估，表明该分析可至少提高 12% 的召回率性能，并且有时比标准 KLSH 方法高得多。

Nov, 2014

研究局部敏感哈希的设计问题中对内积相似度问题的对称和非对称哈希的功效及提供了性能更好的对称 LSH 解决方案和非对称 LSH 的变体的需求场景。

Oct, 2014