文献

J-GLOBAL ID：202002271713074382   整理番号：20A1799535

高速スケーラブル教師つきハッシング【JST・京大機械翻訳】

Fast Scalable Supervised Hashing

著者 (6件)： Luo Xin (Shandong University, Jinan, China) ,  Nie Liqiang (Shandong University, Qingdao, China) ,  He Xiangnan (National University of Singapore, Singapore, China) ,  Wu Ye (Shandong University, Jinan, China) ,  Chen Zhen-Duo (Shandong University, Jinan, China) ,  Xu Xin-Shun (Shandong University, Jinan, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’18  ページ： 735-744  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 教師つきハッシングにおける著しい進展にもかかわらず,既存の方法の3つの一般的限界があった。最初に,ほとんどの先駆的方法は,ビットによってハッシュコードビットを離散的に学習し,学習手順を時間がかかる。第2に,nペアワイズ類似性マトリックスによるnの大きな複雑性を減らすために,ほとんどの方法は訓練中にサンプリング戦略を適用し,それは必然的に情報損失と最適以下の性能をもたらす。いくつかの最近の方法は,小さいものによって大きなマトリックスを置き換えることを試みているが,サイズはまだ大きい。第3に,ペアワイズ類似性マトリックスを利用する方法の中で,それらの大部分はハッシュコードを学習する際に意味ラベル情報を符号化し,データの特性を完全に捉えることに失敗する。本論文では,サイズが訓練データのサイズに依存しない事前計算中間項を導入することによって,大きな類似性行列の使用を回避する,高速スケーラブル監視ハッシュ(FSSH)と呼ばれる新しい教師つきハッシュ法を提案した。さらに,FSSHは,意味情報だけでなく,データの特徴を持つハッシュコードを学習できる。3つの広く使用されたデータセットに関する大規模な実験は,精度とスケーラビリティの両方において,いくつかの最先端の方法に対する優位性を示した。著者らの実験コードは,https://lcbwlx.wixsite.com/fsshで利用可能である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  類似性 ,  *ハッシング
準シソーラス用語： 訓練データ ,  意味情報 ,  複雑性 , 【Automatic Indexing@JST】

著者キーワード (4件)： 離散最適化 ,  大規模検索 ,  ハッシュへの学習 ,  教師つきハッシング

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 教師 ,  ハッシング