確率的属性ハッシュ

シンプルさと効率性から、最近、大規模な類似性検索のための多くのハッシュ技術が開発されてきました。既存のハッシュ技術のほとんどは、低次元の特徴をバイナリコードにマッピングすることに焦点を当てていますが、データサンプルに一般的に関連する属性を無視しています。画像タグ、製品ブランド、ユーザープロフィールなどの属性データは、低次元の特徴よりも人間の認識をよりよく表すことができます。しかし、属性には高次元、スパース、カテゴリカルな特性などの特定の特徴があり、これは既存のハッシュ学習フレームワークにうまく活用されていません。本論文では、確率的属性ハッシュ（PAH）というハッシュ学習フレームワークを提案し、属性と低次元の特徴を統合します。属性と低次元の特徴の間の接続は、共通の潜在バイナリ変数のセット、つまりハッシュコードを共有することを通じて構築され、属性と特徴が相互に補完できるようになります。最後に、大規模なアプリケーションに一般的に適した効率的な反復学習アルゴリズムを開発します。DBLPとNUS-WIDEという2つの公開データセットで広範な実験と比較研究を行いました。結果は、提案されたPAHメソッドが同業他社のメソッドを大幅に上回ることを明確に示しています。