Hashing Discreto Supervisado

Recientemente, las técnicas de hashing basadas en aprendizaje han atraído un amplio interés de investigación porque pueden soportar un almacenamiento y recuperación eficientes de datos de alta dimensión como imágenes, videos, documentos, etc. Sin embargo, una dificultad importante del aprendizaje para hash radica en manejar las restricciones discretas impuestas a los códigos hash buscados, lo que típicamente hace que las optimizaciones de hash sean muy desafiantes (NP-difíciles en general). En este trabajo, proponemos un nuevo marco de hashing supervisado, donde el objetivo de aprendizaje es generar los códigos hash binarios óptimos para la clasificación lineal. Al introducir una variable auxiliar, reformulamos el objetivo de manera que pueda resolverse de forma sustancialmente eficiente mediante un algoritmo de regularización. Uno de los pasos clave en este algoritmo es resolver un subproblema de regularización asociado con la optimización binaria NP-difícil. Mostramos que el subproblema admite una solución analítica a través del descenso cíclico de coordenadas. Como tal, se puede obtener eventualmente una solución discreta de alta calidad de manera eficiente, permitiendo así abordar conjuntos de datos masivos. Evaluamos el enfoque propuesto, denominado Hashing Discreto Supervisado (SDH), en cuatro grandes conjuntos de datos de imágenes y demostramos su superioridad frente a los métodos de hashing de vanguardia en la recuperación de imágenes a gran escala.