融合哈希：一种用于哈希自提升的通用框架
数据结构与算法
2018-10-02 v1 多媒体
摘要
哈希因其查询和存储高效而被广泛用于高效的相似性搜索。为了获得更好的精度，大多数研究侧重于设计考虑邻域信息的带有不同约束或惩罚项的不同目标函数。本文与现有哈希方法不同，提出了一种称为融合哈希（fusion hashing, FH）的新颖通用框架，在不增加新约束或惩罚项的情况下提升现有哈希方法的精度。在所提出的 FH 中，给定一种现有哈希方法，我们首先执行数次以获得一组训练样本的若干不同哈希码。然后我们提出两种新颖的融合策略，将这些不同的哈希码组合成一组最终哈希码。基于最终哈希码，我们为样本学习一个简单的线性哈希函数，可显著提升模型精度。一般而言，所提出的 FH 可应用于现有哈希方法，并以极少额外的时间和空间开销获得比原始哈希方法更精确和稳定的性能。基于三个基准数据集进行了大量实验，结果证明了该框架的优越性能。
引用
@article{arxiv.1810.00644,
title = {Fusion Hashing: A General Framework for Self-improvement of Hashing},
author = {Xingbo Liu and Xiushan Nie and Yilong Yin},
journal= {arXiv preprint arXiv:1810.00644},
year = {2018}
}
备注
10 pages, 6 figures