Resumen

Con el crecimiento explosivo del volumen de datos en aplicaciones modernas como la búsqueda en la web y la recuperación multimedia, el hashing es cada vez más importante para la búsqueda eficiente del vecino más cercano (elemento similar). Recientemente se han desarrollado una serie de métodos dependientes de los datos que reflejan el gran potencial del aprendizaje para el hashing. Inspirándonos en el clásico algoritmo no lineal de reducción de la dimensionalidad -desdoblamiento de la varianza máxima-, en este trabajo proponemos un nuevo método de hashing no supervisado, denominado hashing de varianza máxima. La idea es maximizar la varianza total de los códigos hash preservando la estructura local de los datos de entrenamiento. Para resolver el problema de optimización derivado, proponemos un algoritmo de generación de columnas, que aprende directamente las funciones hash de valor binario. A continuación, lo ampliamos utilizando grafos de anclaje para reducir el coste computacional. Los experimentos con conjuntos de datos de imágenes a gran escala demuestran que el método propuesto supera en muchos casos a los métodos hash más avanzados.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:algoritmo clásico no lineal de reducción de la dimensionalidad, método novedoso de hashing no supervisado, métodos artísticos de hashing, algoritmo de generación de columnas, vecino más próximo eficiente, hashing de varianza máxima, desdoblamiento de varianza máxima, conjuntos de datos de imágenes a escala, hashing, gráficos de anclaje
• Keywords:classic nonlinear dimensionality reduction algorithm, novel unsupervised hashing method, art hashing methods, column generation algorithm, efficient nearest neighbor, maximum variance hashing, maximum variance unfolding, scale image datasets, hashing, anchor graphs