用于无监督相似搜索的仿生哈希
机器学习
2020-10-09 v2 数据库
信息检索
神经元与认知
机器学习
摘要
果蝇 Drosophila 的嗅觉回路启发了一种新的局部敏感哈希(LSH)算法 FlyHash。与产生低维哈希码的经典 LSH 算法不同，FlyHash 产生稀疏高维哈希码，并且已在相似搜索中显示出优于经典 LSH 算法的经验性能。然而，FlyHash 使用随机投影且无法从数据中学习。基于 FlyHash 的启发以及稀疏扩展表示在神经生物学中的普遍存在，我们的工作提出了一种新颖的哈希算法 BioHash，它以数据驱动的方式产生稀疏高维哈希码。我们表明 BioHash 优于先前发表的各种哈希方法的基准。由于我们的学习算法基于局部且生物学上合理的突触可塑性规则，我们的工作为以下观点提供了证据：LSH 可能是多种生物系统中稀疏扩展 motif 丰富性的计算原因。我们还提出了一种卷积变体 BioConvHash，进一步提升了性能。从计算机科学的角度看，BioHash 和 BioConvHash 快速、可扩展，并产生对相似搜索有用的压缩二进制表示。
引用
@article{arxiv.2001.04907,
title = {Bio-Inspired Hashing for Unsupervised Similarity Search},
author = {Chaitanya K. Ryali and John J. Hopfield and Leopold Grinberg and Dmitry Krotov},
journal= {arXiv preprint arXiv:2001.04907},
year = {2020}
}
备注
Accepted for publication in ICML 2020