检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于学习型哈希的最近邻查找算法研究进展

数据通信 2017年第5期 42-49页

作者：彭聪宁波大学信息科学与工程浙江宁波315211

最近邻查找的目的是从数据集中找出与查询点距离最近的数据。大数据背景下,最近邻查找主要面临效率和准确率两大难题。基于机器学习的哈希方法在解决最近邻查找问题上表现出良好的性能。根据学习模型是否利用监督信息,可将学习型哈希分... 详细信息

最近邻查找的目的是从数据集中找出与查询点距离最近的数据。大数据背景下,最近邻查找主要面临效率和准确率两大难题。基于机器学习的哈希方法在解决最近邻查找问题上表现出良好的性能。根据学习模型是否利用监督信息,可将学习型哈希分为无监督型、半监督型、监督型。近年来在线、深度学习、分布式的思想相继引入到哈希学习,本文从不同角度分析了多种哈希学习方法的异同和优缺点,最后还讨论了这一领域未来的发展方向和趋势。

关键词：最近邻查找学习型哈希在线深度学习分布式

在线全文

学校读者我要写书评

暂无评论

基于深度强化学习的学习型在线哈希

基于深度强化学习的学习型在线哈希

作者：郭一村宁波大学

学位级别：硕士

近似最近邻检索是面向大数据的一种常见检索应用,主要包含空间划分方法和哈希方法。空间划分的方法将数据在高维空间进行聚类,当数据类别较多时检索成本也会急剧增加。相比之下,学习型哈希方法生成反映数据间的近似关系的二进制编码,具... 详细信息

近似最近邻检索是面向大数据的一种常见检索应用,主要包含空间划分方法和哈希方法。空间划分的方法将数据在高维空间进行聚类,当数据类别较多时检索成本也会急剧增加。相比之下,学习型哈希方法生成反映数据间的近似关系的二进制编码,具备计算简便、节约存储的优势。面对大数据的快速发展所带来的数据样本不断增长与变化,在线学习型哈希算法通过建立流数据与海明空间的映射关系,约束相似数据间的海明距离,使模型无需装载全部数据进行多次迭代训练。在线学习型哈希算法的目标是解决离线哈希算法带来的存储压力和迭代计算问题,即模型在流数据中动态学习哈希函数,进一步优化哈希学习过程。在近年以基于监督信息的在线学习型哈希算法为代表的研究中,训练时大多和传统哈希算法一样,根据类别标签生成相似度作为指示符,表示数据样本间的相似关系,这使得模型在读取数据时受制于样本单位数量(至少两个),或者对各类别标签进行离线编码,限制了模型的可扩展性。再者,当数据样本越来越复杂且变化过大时,提取到的特征可能会发生偏移,有增大误差的风险。目前基于标签信息监督的在线哈希算法都没有利用模型在先前学习过程中的经验,一次性更新所有哈希函数,仍然依赖于部分历史数据或离线标签编码,同时模型也没有学习到样本特征的变化。针对以上问题,本文首先研究了在线环境下利用历史先验信息实现强化学习过程,提出可用于在线哈希学习的深度强化学习模型,而后对深度强化学习模型进行简化,提高在线学习的实时性。主要工作包括:(1)针对目前基于监督的在线哈希算法在学习过程中不能保存学习经验,且无法利用深度网络进行端到端学习的问题,本文将深度强化学习模型与哈希学习技术相结合,在保留历史数据先验知识的同时,更新当前模型参数,实现了能够在线处理流数据的哈希学习算法。基于该思想,本文设计了一个基于深度强化学习的学习型在线哈希(Deep Reinforcement Online Learning Hash,DROH)模型,其中基于深度学习的卷积神经网络用来捕捉高维数据的内容特征,在全连接层对特征进行压缩后加入一个循环神经网络保存部分学习参数,连续地学习哈希函数,将哈希函数映射过程转化为概率决策问题。接着利用强化学习能够结合先验知识做出策略的学习方式,在不访问历史数据的情况下在线学习到稳定的哈希码生成策略。最后使用加法角度间隔损失度量哈希码的相似性,将海明空间依靠多点样本测量的距离关系转化为超球面空间向量夹角关系,并训练角度映射函数,使哈希码更具有判别能力。最后在两个常用公开图片数据集上进行实验测试,验证模型的有效性,在不同比特位上的MAP值平均提高了10.9%和6.8%。(2)针对在应用深度强化学习框架的情况下,模型规模较大而带来的模型装载压力和计算效率问题,本文将原有模型改造为计算效率更高的轻量化深度强化学习的学习型在线哈希(Lightweight Deep Reinforcement Online Learning Hash,LDROH)模型。通过分解卷积运算过程,并替换状态存储单元,使模型除全连接层之外的参数规模大部分地减少,提高了在不同计算硬件上的模型训练速度,同时保证算法在轻量化模型上仍有较好的性能表现,减小了在实际在线哈希学习过程中的计算压力。最后比对了两个模型在CPU和GPU计算平台上的训练时长,在MAP值平均下降了0.23%到0.69%的范围内,LDROH模型相较于DROH模型在计算时间上平均提升了18.0%和25.3%。

关键词：在线学习学习型哈希无监督学习监督学习最近邻检索

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

在线哈希算法研究综述

计算机应用 2021年第4期41卷 1106-1112页

作者：郭一村陈华辉宁波大学信息科学与工程学院浙江宁波315000

在当前大规模数据检索任务中,学习型哈希方法能够学习紧凑的二进制编码,在节省存储空间的同时能快速地计算海明空间内的相似度,因此近似最近邻检索常使用哈希的方式来完善快速最近邻检索机制。对于目前大多数哈希方法都采用离线学习模... 详细信息

在当前大规模数据检索任务中,学习型哈希方法能够学习紧凑的二进制编码,在节省存储空间的同时能快速地计算海明空间内的相似度,因此近似最近邻检索常使用哈希的方式来完善快速最近邻检索机制。对于目前大多数哈希方法都采用离线学习模型进行批处理训练,在大规模流数据的环境下无法适应可能出现的数据变化而使得检索效率降低的问题,提出在线哈希方法并学习适应性的哈希函数,从而在输入数据的过程中连续学习,并且能实时地应用于相似性检索。首先,阐释了学习型哈希的基本原理和实现在线哈希的内在要求;接着,从在线条件下流数据的读取模式、学习模式以及模型更新模式等角度介绍在线哈希不同的学习方式;而后,将在线学习算法分为六类:基于主-被动算法、基于矩阵分解技术、基于无监督聚类、基于相似性监督、基于互信息度量和基于码本监督,并且分析这些算法的优缺点及特点;最后,总结和讨论了在线哈希的发展方向。

关键词：在线学习学习型哈希无监督学习监督学习最近邻检索

在线全文

学校读者我要写书评

暂无评论

加权自学习哈希高维数据最近邻查询算法

计算机工程与设计 2018年第12期39卷 3739-3745页

作者：熊一利江西省教育考试院信息处江西南昌330038

对学习型哈希算法用于最近邻查询,出现二进制编码的海明距离小导致重排序的问题进行研究,提出一种基于加权自学习框架的哈希方法。给定一个查询对象,通过自学习哈希方法返回满足特定海明距离的候选对象,根据所得候选集求得二进制编码各... 详细信息

对学习型哈希算法用于最近邻查询,出现二进制编码的海明距离小导致重排序的问题进行研究,提出一种基于加权自学习框架的哈希方法。给定一个查询对象,通过自学习哈希方法返回满足特定海明距离的候选对象,根据所得候选集求得二进制编码各位的权重,计算查询对象与候选集中各个数据对象的加权海明距离,得到在更细粒度上排序的候选集。实验结果表明,我们的方法能够高效的对具有相同海明距离的不同海明编码进行重排序。

关键词：最近邻查询学习型哈希加权自学习高维数据海明距离