DSCH-Loss: A Dynamic Semantic Channel Objective for Deep Semantic Hashing
aFraunhofer Institute for Applied
研究语义哈希方法，提出动态语义通道哈希（DSCH）损失函数，通过动态调整语义通道避免损失景观不连续性，采用考虑平局的mAP评估，实验表明DSCH训练的模型在多任务中表现优异，优于其他现有损失函数。
2026-07-28 cs.AI cs.CV cs.IR
Eclipse Hashing: Alexandrov Compactification and Hashing with Hyperspheres for Fast Similarity Search
使用由大量数据组成的高维特征向量进行相似性搜索有着广泛的应用。进行快速相似性搜索的一种方式是将特征向量转换成二进制向量，并通过使用汉明距离来执行相似性搜索。这种变换是一种哈希方法，哈希函数的选择很重要。提出了使用超平面或超球面的散列方法。这里报告的一项研究受到了Spherical LSH的启发，我们使用hypersperes来散列特征向量。我们的方法，称为哈希算法，通过使用逆赤平投影来执行R^n的紧化，这是一种Alexandrov紧化。通过使用哈希，可以获得超球哈希函数，而无需显式使用超球。因此，减少了非线性运算的数量，并且散列的处理时间变得更短。此外，我们还表明，作为提高近似精度的结果，超平面散列是更准确的。
2014-06-16 cs.IR
Projected Hamming Dissimilarity for Bit-Level Importance Coding in Collaborative Filtering
University of Copenhagen（哥本哈根大学）
当推理涉及大量数据的任务时，一种常见的方法是将数据项表示为汉明空间中的对象，在汉明空间中可以有效地进行操作。然后可以通过学习对象的二进制表示（哈希码）并计算它们的汉明距离来计算对象相似性。虽然这是非常有效的，但每个位维度都是相等加权的，这意味着数据的潜在区分信息丢失了。一个更有表现力的替代方法是使用实值向量表示并计算它们的内积;这允许改变每个维度的权重，但速度要慢很多。为了解决这个问题，我们推导出一种新的方法来测量汉明空间中两个对象之间的相异性，其中每个维度具有二进制加权（即，禁用位）：我们考虑将一个对象的向量投影到另一个对象的向量上的场不可知相异度。当在汉明空间中工作时，这导致新的投影汉明相异度，其通过投影的选择，有效地允许一个对象的散列码通过另一个对象的散列码的二进制重要性加权。我们提出了一个变分哈希模型学习哈希码优化这个投影汉明相异度，并在协同过滤实验中进行实验评估。与最先进的基于散列的协同过滤基线相比，所得到的散列代码在NDCG中的有效性增益高达+7%，在MRR中的有效性增益高达+14%，同时与使用汉明距离相比，不需要额外的存储和计算开销。
2021-03-26 cs.IR cs.LG
Self-Taught Hashing for Fast Similarity Search
快速的大规模相似性搜索能力对于许多信息检索应用具有重要意义。加速相似性搜索的一种有前途的方法是语义哈希，它为大量文档设计紧凑的二进制代码，以便将语义相似的文档映射到相似的代码（在短的海明距离内）。虽然最近提出的一些技术能够生成高质量的代码的文件中已知的提前，获得以前看不见的文件的代码仍然是一个非常具有挑战性的问题。在本文中，我们强调这个问题，并提出了一种新的自学哈希（STH）的语义哈希方法：我们首先找到最佳的$l$位二进制代码的所有文件在给定的语料库中通过无监督学习，然后训练$l$分类器通过监督学习预测的$l$位代码的任何查询文档之前看不见的。我们在三个真实世界的文本数据集上的实验表明，所提出的方法使用二进制拉普拉斯特征映射（LapEig）和线性支持向量机（SVM）优于国家的最先进的技术显着。
2010-04-29 cs.IR
SpikeHash: Learning Binary Codes with Spiking Neural Networks for Cross-Modal Hashing Retrieval
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室）
提出SpikeHash框架，通过脉冲状态演化、方向性脉冲交互和竞争性脉冲读出实现跨模态哈希检索，在三个基准数据集上取得竞争性检索精度并降低参数量和能耗。
2026-05-30 cs.IR cs.MM
HS-GCN: Hamming Spatial Graph Convolutional Networks for Recommendation
大规模推荐系统的有效解决方案是将用户和项目表示为汉明空间中的二进制哈希码。为此，现有的方法倾向于通过对用户与他们历史上交互的项目的汉明相似性进行建模来对用户进行编码，这些相似性在这项工作中被称为一阶相似性。尽管它们的效率，这些方法遭受次优的代表能力，因为它们放弃了通过连接多个一阶相似性建立的相关性，即，间接实例之间的关系，可以定义为高阶相似度。为了解决这个问题，我们建议通过用户项二分图在汉明空间中建模第一和高阶相似性。因此，我们开发了一种新的学习哈希框架，即汉明空间图卷积网络（HS-GCN），显式建模的汉明相似性，并将其嵌入到用户和项目的代码。在三个公共基准数据集上的大量实验表明，我们提出的模型显着优于几个最先进的哈希模型，并获得与实值推荐模型相当的性能。
2023-01-13 cs.IR
Fast Cosine Similarity Search in Binary Space with Angular Multi-index Hashing
University of Waterloo（滑铁卢大学）
给定一个大的数据集的二进制代码和一个二进制查询点，我们解决如何有效地找到$K$代码的数据集，产生最大的余弦相似的查询。这个问题的直接答案是将查询与数据集中的所有项进行比较，但这只适用于小数据集。一种增强搜索时间并实现次线性成本的潜在解决方案是使用填充有数据集的二进制代码的哈希表，然后查找查询的附近桶以检索最近的邻居。然而，如果代码在余弦相似性而不是汉明距离方面进行比较，则主要问题是要探测的桶的顺序不明显。为了研究这个问题，我们首先详细说明汉明距离和余弦相似性之间的联系。这样做允许我们系统地在哈希表中找到探测序列。然而，用单个表解决最近邻搜索仅对短二进制码是实用的。为了解决这个问题，我们提出了角度多索引哈希搜索算法，它依赖于建立多个哈希表的二进制代码子串。所提出的搜索算法解决了精确的角度$K$最近邻问题的时间，往往是数量级快于线性扫描基线，甚至近似方法。
2018-04-18 cs.DB cs.DS cs.IR
Effective and Efficient Indexing in Cross-Modal Hashing-Based Datasets
为了克服存储和计算的障碍，哈希技术近年来被广泛用于多媒体检索应用中的最近邻搜索。特别是跨模态检索的跨模态检索成为一个活跃但具有挑战性的问题。尽管提出了几十种跨模态散列算法来产生紧凑的二进制码，但是穷举搜索对于实时目的是不切实际的，并且汉明距离计算遭受不准确的结果。在本文中，我们提出了一种新的搜索方法，利用基于概率的索引计划在二进制哈希码的跨模态检索。所提出的哈希码索引方案利用哈希码的几个二进制位作为索引码。为了提高索引的准确性和效率，本文采用索引编码构造倒排索引表，并对神经网络进行训练。在两个基准数据集上进行了跨图像和文本模态检索的实验，其中哈希码由三种跨模态哈希方法生成。实验结果表明，该方法有效地提高了这些散列方法的性能。
2019-05-15 cs.IR cs.MM
Efficient Document Retrieval by End-to-End Refining and Quantizing BERT Embedding with Contrastive Product Quantization
高效的文档检索在很大程度上依赖于语义哈希技术，该技术为每个文档学习一个二进制代码，并使用汉明距离来评估文档距离。然而，现有的语义散列方法大多是建立在过时的TFIDF特征上，这些特征显然不包含大量关于文档的重要语义信息。此外，汉明距离只能等于几个整数值之一，大大限制了它对文档距离的表示能力。为了解决这些问题，在本文中，我们建议利用BERT嵌入进行有效的检索的基础上的产品量化技术，这将分配给每个文档的代码簿的实值码字，而不是一个二进制代码的语义哈希。具体来说，我们首先通过可学习的映射变换原始BERT嵌入，并将变换后的嵌入馈送到概率乘积量化模块中以输出分配的码字。可以通过最小化概率对比损失来以端到端的方式优化细化和量化模块。进一步提出了一种基于互信息最大化的方法来提高码字的代表性，从而使文档的量化更加精确。在三个基准上进行的大量实验表明，我们提出的方法显着优于当前最先进的基线。
2022-10-31 cs.IR
Anchor Graph Structure Fusion Hashing for Cross-Modal Similarity Search
Shanghai Jiao Tong University（上海交通大学）；Zhejiang Normal University（浙江师范大学）
跨模态散列仍然存在一些需要解决的挑战：（1）大多数现有的CMH方法将图作为输入来建模数据分布。这些方法忽略了多模态之间图结构的相关性;（2）大多数CMH方法忽略了多模态数据之间的融合亲和性;（3）大多数CMH方法在求解优化目标时放松了离散约束，检索性能显著下降。为了解决上述问题，我们提出了一种新的锚图结构融合哈希（AGSFH）。AGSFH通过Hadamard积将多模态的锚点图构造成锚点图结构融合矩阵，充分利用了底层数据结构的几何特性。基于锚图结构融合矩阵，AGSFH尝试直接学习内在锚图，其中自适应地调整内在锚图的结构，使得内在图的组件的数量恰好等于聚类的数量。此外，AGSFH保持锚融合亲和力到共同的二元汉明空间。此外，设计了一个离散优化框架来学习统一二进制码。在三个公共社交数据集上的大量实验结果证明了AGSFH的优越性。
2022-02-09 cs.CV cs.IR
Scalability and Total Recall with Fast CoveringLSH
局部敏感哈希（LSH）已经成为在高维空间中具有强性能保证的相似性搜索的主要算法技术。传统LSH方案的缺点是它们可能具有\emph{false negatives}，即，召回率小于100%.这限制了LSH在需要精确性能保证的环境中的适用性。基于最近理论上的“CoveringLSH”构造，消除了假阴性，我们提出了一个快速和实用的覆盖LSH方案的汉明空间称为\emph{Fast CoveringLSH (fcLSH)}。继承CoveringLSH的设计优势，我们的方法避免了假阴性，并始终报告所有近邻。与CoveringLSH相比，我们实现了从$\mathcal{O}(dL)$到$\mathcal{O}(d + L\log{L})$的哈希函数计算时间的渐进改进，其中$d$是数据的维数，$L$是哈希表的数量。我们对合成数据集和真实数据集的实验表明，\emph{fcLSH}在高维汉明空间中搜索半径高达20的情况下与传统的基于散列的方法相当（并且往往更优越）。
2016-08-19 cs.DB cs.DS cs.IR
Information-Theoretic Hashing for Zero-Shot Cross-Modal Retrieval
Huazhong University of Science and Technology（华中科技大学）；UiT-The Arctic University of Norway（挪威北极大学）
零次跨模态检索（Zero-Shot Cross-Modal Retrieval，简称ZCMR）是针对异构数据的检索问题而提出的。通常，为了保证泛化，来自自然语言处理（NLP）模型的预定义类嵌入被用于构建公共空间。在本文中，我们没有使用额外的NLP模型来预先定义公共空间，而是从信息论的角度考虑了一种完全不同的方法来构建（或学习）公共汉明空间。我们把我们的模型的信息理论哈希（ITH），它是由两个级联模块：自适应信息聚合（AIA）模块和语义保持编码（SPE）模块。具体来说，我们的AIA模块从相关信息原则（PRI）中获得灵感，构建一个公共空间，自适应地聚合不同形式的数据的内在语义，并过滤掉冗余或不相关的信息。另一方面，我们的SPE模块进一步生成不同形式的散列代码，通过保持本质语义的相似性与元素的Kullback-Leibler（KL）分歧。总的相关正则化项也被施加到不同维度的散列码之间，以减少冗余。在三个基准数据集上的充分实验证明了所提出的ITH在EST-CMR中的优越性。补充材料中提供了源代码。
2022-09-26 cs.IR cs.LG
Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing
HangZhou Dianzi University（杭州电子科技大学）；The University of Sydney（悉尼大学）
无监督跨模式哈希算法（UCMH）是近年来的研究热点。目前UCMH专注于探索数据的相似性。然而，目前的UCMH方法计算两个数据之间的相似性，主要依赖于两个数据的跨模态特征。这些方法遭受不准确的相似性问题，导致次优的检索汉明空间，因为数据之间的跨模态特征不足以描述复杂的数据关系，例如两个数据具有不同的特征表示但共享固有概念的情况。在本文中，我们设计了一个深度图邻居相干保持网络（DGCPN）。具体来说，DGCPN源于图模型，并通过合并数据及其邻居之间的信息来探索图邻居的一致性。DGCPN通过利用三种类型的数据相似性（即，图相邻一致性、共存相似性以及模态内和模态间一致性），并设计了半实半二进制优化策略以减少散列期间的量化误差。本质上，DGCPN通过探索和利用图中数据的内在关系来解决不准确的相似性问题。我们在三个公共UCMH数据集上进行了广泛的实验。实验结果证明了DGCPN的优越性，例如，在MIRFlickr-25 K上使用64位哈希码从图像中检索文本，将平均精度从0.722提高到0.751。我们将在https://github.com/Atmegal/DGCPN上发布源代码包和训练模型。
2020-12-25 cs.CV cs.IR
Image Hashing via Cross-View Code Alignment in the Age of Foundation Models
INRIA（法国国家信息与自动化研究所）；LIRMM（蒙彼利埃计算机科学、机器人及微电子实验室）；INA（法国国家视听研究所）；CIRAD（法国农业研究发展国际合作中心）；AMAP（植物建模与生态学联合实验室）
本文提出CroVCA方法，通过统一的二进制交叉熵损失和编码率最大化正则化，在少量训练轮次内实现高效图像哈希，适用于多种视觉检索任务。
2026-04-04 cs.CV cs.IR cs.LG
Unsupervised Multi-Criteria Adversarial Detection in Deep Image Retrieval
Old Dominion University（欧道明大学）；Zhejiang University（浙江大学）；University of Delaware（特拉华大学）
针对深度图像检索中对抗攻击防御策略缺失的问题，提出一种无监督多准则检测方案，通过汉明距离、量化损失和去噪三准则限制对抗空间，在四个数据集上实现2-23%检测率提升且计算开销极小。
2023-04-09 cs.CV cs.IR
Compact Hypercube Embeddings for Fast Text-based Wildlife Observation Retrieval
Inria, LIRMM, UM（法国国家信息与自动化研究所，蒙彼利埃计算机科学实验室，蒙彼利埃大学）
本文提出紧凑超立方体嵌入框架，通过二进制表示实现高效文本检索，提升大规模野生动物图像和音频数据库的检索效率与鲁棒性。
2026-04-05 cs.CV cs.IR cs.LG
GraphHash: Graph Clustering Enables Parameter Efficiency in Recommender Systems
GraphHash首次利用用户-物品交互图上的模块度二分图聚类来缩减推荐系统嵌入表规模，作为消息传递的高效代理和ID哈希的图基替代方案，在嵌入表缩减超75%时平均召回率提升101.52%。
2025-02-08 cs.IR cs.SI
