Cascaded Learned Bloom Filter for Optimizing Model-Filter Size Balance and Fast Rejection
The University of Tokyo（东京大学）
本文提出级联学习型布隆过滤器（CLBF），通过动态规划优化器平衡模型与过滤器尺寸，在真实数据集上较分区LBF内存降17%、拒斥时间缩65倍。
2026-08-25 cs.CC cs.DS cs.LG
Adversarially Robust Bloom Filters: Privacy, Reductions, and Open Problems
City College of New York（纽约城市学院）
本研究探讨布隆过滤器在对抗环境下的鲁棒性与隐私，建立了Filic与NOY模型间的联系，证明PRF过滤器不满足BP测试，并提出首批差分隐私布隆过滤器构造。
2025-06-18 cs.CR cs.LG
A Critical Analysis of Classifier Selection in Learned Bloom Filters
University of Milan（米兰大学）；University of Palermo（巴勒莫大学）
学习布隆过滤器，即，通过机器学习技术从数据导出的模型和解决近似集合成员问题，最近已经被引入，目的是增强标准布隆过滤器的性能，特别关注空间占用。与经典情况不同，用于构建过滤器的数据的“复杂性”可能会严重影响其性能。因此，在这里，我们提出了第一个深入的分析，尽我们所知，对于给定的学习布隆过滤器的性能评估，结合给定的分类器，在给定的分类复杂度的数据集上。事实上，我们提出了一种新的方法，支持软件，用于设计，分析和实施学习布隆过滤器的功能，其多标准的性质（即，涉及空间效率，误报率和拒绝时间的限制）的特定约束。我们的实验表明，所提出的方法和支持软件是有效的和有用的：我们发现，只有两个分类器具有理想的属性与不同的数据复杂性的问题，有趣的是，他们都没有被认为是迄今为止在文献中。我们还通过实验表明，三明治变体的学习布隆过滤器是最强大的数据复杂性和分类器性能的变化，以及那些通常具有较小的拒绝时间。该软件可以很容易地用来测试新的学习布隆过滤器的建议，可以与这里确定的最好的比较。
2022-11-28 cs.AI cs.LG
Learned LSM-trees: Two Approaches Using Learned Bloom Filters
Harvard University（哈佛大学）
本文提出两种将学习型预测集成到LSM树查找路径的方法：分类器跳过布隆过滤器探测以降低延迟，以及学习型布隆过滤器减少内存占用，实验显示延迟降低2.28倍、内存减少70-80%。
2025-07-24 cs.DS cs.LG
Entropy-Punctured Bloom Filters for Memory-Efficient Machine Learning
Florida Atlantic University（佛罗里达大西洋大学）
本文提出熵穿孔布隆过滤器，通过经验熵移除低变异性位位置来压缩特征表示，在保持预测结构的同时提高内存效率，实验表明其在回归任务中优于经典压缩方法。
2026-09-15 cs.AI cs.LG
Daisy Bloom Filters
KTH Royal Institute of Technology（皇家理工学院）；University of Copenhagen（哥本哈根大学）
本文研究面向特定数据分布的过滤器空间优化问题，提出期望空间下界并证明其渐近紧性，同时设计了一种更快且更省空间的雏菊布隆过滤器。
2024-06-16 cs.DB cs.DS cs.LG
Bloom Filter Encoding for Machine Learning
Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；Florida Atlantic University（佛罗里达大学）
本文提出一种利用Bloom过滤器变换预处理数据的方法，通过哈希编码将样本转换为紧凑的位数组，减少内存使用并模糊原始特征值。在六个数据集上评估，结果表明Bloom编码在多个数据集上与原始数据或标准降维技术性能相当，同时提供一致的内存节省。
2026-05-08 cs.LG
Efficient image retrieval using multi neural hash codes and bloom filters
IIIT Allahabad（印度阿拉哈巴德信息技术学院）
本文的目的是提供一个有效的和修改的方法，图像检索使用多个神经哈希码和限制查询使用布隆过滤器的数量，通过识别误报事先。涉及用于图像检索任务的神经网络的传统方法倾向于使用更高层来进行特征提取。但是已经看到，较低层的激活在许多情况下被证明是更有效的。在我们的方法中，我们利用了局部深度卷积神经网络的使用，该网络结合了较低层和较高层的特征的能力，用于创建特征图，然后使用PCA压缩特征图，并在使用修改的多k均值方法进行二进制排序后将其馈送到布隆过滤器。所获得的特征图进一步用于图像检索过程中，通过首先比较语义相似图像的较高层中的图像，然后逐渐向较低层移动以搜索结构相似性，以分级的从粗到细的方式。在搜索时，再次计算查询图像的神经哈希，并在布隆过滤器中查询，布隆过滤器告诉我们查询图像是否存在于集合中。如果布隆过滤器不一定排除查询，那么它进入图像检索过程。这种方法在图像存储是分布式的情况下特别有用，因为这种方法支持并行查询。
2020-11-18 cs.CV cs.LG eess.IV
The Anxiety of Influence: Bloom Filters in Transformer Attention Heads
研究发现变换器注意力头中存在布洛姆过滤器功能，通过成员测试策略实现高效重复标记识别，且误报率随嵌入距离降低而减少。
2026-02-19 cs.AI cs.CL cs.LG
Neural Neighborhood Encoding for Classification
Wichita State University（威奇托州立大学）；IBM Research（IBM研究院）
受果蝇嗅觉回路的启发，Fly Bloom过滤器[Dasgupta等人，2018年]能够有效地总结数据与一个单一的通行证，并已用于新颖性检测。我们提出了一个新的分类器（二进制和多类分类），有效地编码不同的本地社区为每个类与每类Fly Bloom Filter。对测试数据的推断需要有效的{ \tt FlyHash} [Dasgupta等人，2017]操作之后是高维的，但是{ \em sparse}，与每个类的布隆过滤器的点积。学习是平凡的并行化。在理论方面，我们建立的条件下，我们提出的分类器的任何测试示例的预测同意与最近邻分类器的预测具有很高的概率。我们广泛地评估我们提出的计划与不同数据维度的$50$数据集，以证明我们提出的神经科学启发分类器的预测性能是有竞争力的最近邻分类器和其他单通道分类器。
2020-08-19 cs.LG stat.ML
Federated Nearest Neighbor Classification with a Colony of Fruit-Flies: With Supplement
IBM Research AI（IBM人工智能研究院）；Wichita State University（威奇托州立大学）
果蝇嗅觉回路中神经机制的数学形式化为局部敏感散列（Flyhash）和布隆过滤器（FBF），最近已经被提出并“重新编程”用于各种机器学习任务，如相似性搜索、离群值检测和文本嵌入。我们提出了一种新的重新编程这种哈希和布隆过滤器，以模拟具有挑战性的联邦学习（FL）设置中的规范最近邻分类器（NNC），其中训练和测试数据分布在各方，没有数据可以离开各自的当事人。具体来说，我们利用Flyhash和FBF来创建FlyNN分类器，并在理论上建立FlyNN匹配NNC的条件。我们展示了FlyNN是如何在FL设置中以低通信开销进行训练以产生FlyNNFL的，以及它是如何具有差异性的。从经验上讲，我们证明了（i）FlyNN在70个OpenML数据集上与NNC的准确性相匹配，（ii）FlyNNFL训练具有高度可扩展性，通信开销低，与$16$方提供高达$8\times$的加速。
2021-12-14 cs.LG
Hallucination is a Consequence of Space-Optimality: A Rate-Distortion Theorem for Membership Testing
Computer Science Department, Northwestern University（西北大学计算机科学系）；Department of IEOR, Columbia University（哥伦比亚大学工业工程与运筹学系）
通过将幻觉形式化为成员测试问题，建立率失真定理，证明在有限容量下信息论最优策略必然导致对某些非事实的高置信度，从而产生幻觉。
2026-05-29 cs.AI cs.CL cs.DS
Graph Signal Processing Meets Mamba2: Adaptive Filter Bank via Delta Modulation
KAIST（韩国科学技术院）
本文提出HADES框架，将Mamba2重新解释为线图上的自适应滤波器组，通过结构化偏置实现全局低通和局部高通滤波，提升效率和可解释性。
2026-03-20 cs.AI cs.LG
Signal Processing Meets SGD: From Momentum to Filter
Shenyang University of Chemical Technology（沈阳化工大学）；University of Louisville（路易斯维尔大学）；Northeastern University（东北大学）；University of Macau（澳门大学）
本文从信号处理视角分析SGD梯度更新中的偏差与方差平衡问题，提出基于维纳滤波原理的SGDF方法，通过最小化均方误差获得最优时变增益，实现更优的收敛性与泛化性能。
2025-03-07 cs.LG eess.SP
Specformer: Spectral Graph Neural Networks Meet Transformers
University of British Columbia（不列颠哥伦比亚大学）
谱图神经网络（GNN）通过谱域图卷积来学习图表示。然而，大多数现有的谱图滤波器是标量到标量函数，即，将单个特征值映射到单个滤波值，从而忽略频谱的全局模式。此外，这些滤波器往往是基于一些固定阶多项式，这具有有限的表达性和灵活性。为了解决这些问题，我们引入了Specformer，它有效地对所有特征值的集合进行编码，并在谱域中执行自注意，从而形成可学习的集合到集合的谱滤波器。我们还设计了一个具有可学习基础的解码器，以实现非局部图卷积。重要的是，Specformer与置换是等变的。通过堆叠多个Specformer层，可以构建强大的光谱GNN。在合成数据集上，我们证明了我们的Specformer可以比其他光谱GNN更好地恢复地面实况光谱滤波器。在真实世界的图数据集上进行的节点级和图级任务的广泛实验表明，我们的Specformer优于最先进的GNN，并学习有意义的频谱模式。代码和数据可在https://github.com/bdy9527/Specformer上获得。
2023-03-02 cs.AI cs.LG cs.SI
