HL-DAQ:一种Hash学习的动态自适应量化编码

现有基于Hash学习二进制编码方法通常学习一组用于数据投影的超平面,并且简单地对来自每个超平面划分的结果进行二值化编码,而忽视了信息可能不均匀地分布在整个投影中且每一维投影中数据取值范围可能不一样的事实.为了解决此问题提出一种动态自适应编码量化方法,根据投影维度的信息量动态地为该维度分配相应的二进制编码位数,并通过动态规划方法使得所有投影的总信息量最大,以尽可能地保留原始数据的近邻结构.经实验验证,动态自适应编码量化方法较传统的Hash量化方法有显著的改进,理论证明:动态自适应编码方法和距离度量方式对原始数据的近邻结构保持优于传统固定位数量化编码及海明距离度量方式.

基于伪逆的局部保留迭代哈希

高维数据的近似最近邻检索是许多应用研究的一个基础问题,同时大数据带来的维度灾难对传统的哈希算法产生了挑战。为此论文提出了基于伪逆的局部保留迭代哈希算法(pseudo-inverse locality preserving iterative hashing,PLIH),不仅有效保持数据的近邻关系,同时解决了哈希过程中的矩阵奇异和量化损失较大的问题。在该算法中,构建邻接图并最小化近邻在低维空间的距离,保持投影后矩阵的高维近邻关系;采用伪逆替代逆矩阵解决了矩阵奇异的情况下求解投影矩阵失效的问题。最后通过迭代量化使得投影矩阵在量化过程中的损失降至最小。论文通过与其他哈希算法在公开数据集上的比较,发现正确率和召回率都有5%到10%的提升,证明了该算法的可行性。