Rachkovskij博士。 用于快速距离和相似性估计的二进制向量。 （英语。俄文原件） Zbl 1366.93641号 赛博。系统。分析。 53，编号138-156（2017）; 翻译自Kibern。西斯特。分析。2017年第1期，第160-183页（2017年）。 摘要：本综述考虑了从向量表示中快速估计初始数据之间距离/相似性度量的方法和算法，初始数据主要是具有不同距离度量的高维向量（角度向量、欧几里德向量和其他向量），初始数据具有二进制或整值分量和相似性度量（余弦、内积和其他）。讨论了主要使用随机投影和后续量化以及采样方法的无学习方法。获得的向量可以应用于相似性搜索、机器学习和其他算法。 引用于9文件 MSC公司： 93E10型 随机控制理论中的估计与检测 93E03型 控制理论中的随机系统（一般） 68T05型 人工智能中的学习和自适应系统 62小时30分 分类和区分；聚类分析（统计方面） 关键词：距离;相似性;嵌入;素描;随机投影;取样;二值化;量化;Johnson-Lindenstraus引理;核相似性;相似性搜索;局部敏感哈希 软件：弗莱恩;HyperLogLog（超级日志日志）;帕伽索斯;LIBLINEAR公司;SoftDoubleMaxMinOver软件 PDF格式BibTeX公司 XML格式引用 \textit{D.A.Rachkovskij}，Cybern。系统。分析。53，第1号，138--156（2017；Zbl 1366.93641）；翻译自Kibern。西斯特。分析。2017年第1期，第160-183号（2017） 全文： DOI程序 参考文献： [1] D.A.Rachkovskij，“用于快速距离和相似性估计的实值嵌入和草图”，《控制论和系统分析》，第52卷，第6期，967-988（2016）·Zbl 1359.62261号 ·数字对象标识码：10.1007/s10559-016-9899-x [2] M.Deza和E.Deza，《距离百科全书》，斯普林格，柏林-海德堡（2016）·Zbl 1351.51001号 ·doi:10.1007/978-3-662-52844-0 [3] M.-J.Lesot、M.Rifqi和H.Benhadda，“二进制和数值数据的相似性度量：一项调查”，《国际知识工程与软数据范式》，第1卷，第1期，63-84页（2009年）。 ·doi:10.1504/IJKESDP.2009.021985 [4] S.-S.Choi、S.-H.Cha和C.C.Tappert，“二元相似性和距离测量的调查”，《系统学、控制论和信息学》，第8卷，第1期，43-48（2010）。 [5] W.B.Johnson和J.Lindenstrauss，“Lipshitz映射到Hilbert空间的扩展”，《当代数学》，第26卷，189-206（1984）·Zbl 0539.46017号 ·doi:10.1090/conm/026/737400 [6] P.Indyk和R.Motwani，“近似最近邻：消除维度诅咒”，摘自：Proc。第30届ACM交响乐团。《计算理论》（1998），第604-613页·Zbl 1029.68541号 [7] S.S.Vempala，《随机投影法》，美国数学。罗德岛州普罗维登斯市（2004年）·Zbl 1058.68063号 [8] J.Matousek，“关于Johnson-Lindenstraus引理的变体”，《随机结构与算法》，第33卷，第2期，142-156（2008）·Zbl 1154.51002号 ·doi:10.1002/rsa.20218 [9] A.Andoni、R.Krauthgamer和I.P.Razenshteyn，“草图和嵌入等同于规范”，摘自：Proc。STOC’15（2015），第479-488页·Zbl 1321.68428号 [10] T.Batu、F.Ergun和C.Sahinalp，《忽略字符串嵌入和编辑距离近似值》，摘自：Proc。SODA’06（2006），第792-801页·Zbl 1192.68344号 [11] P.Indyk和A.Naor，“最近邻保留嵌入”，ACM Trans。《算法》，第3卷，第3期，第31条（2007年）·Zbl 1192.68748号 [12] M.Goemans和D.Williamson，“使用半定规划改进最大割和可满足性问题的近似算法”，Journ。ACM，第42卷，第6期，1115-1145（1995）·Zbl 0885.68088号 ·数字对象标识代码：10.1145/227683.2276884 [13] M.Charikar，“取整算法中的相似性估计技术”，摘自：Proc。STOC'02，380-388（2002）·Zbl 1192.68226号 [14] X.Yi、C.Caramanis和E.Price，“二进制嵌入：基本极限和快速算法”，JMLR:W&CP，第37卷，2162-2170（2015）。 [15] G.S.Manku、A.Jain和A.D.Sarma，“检测网络爬行的近重复”，摘自：Proc。WWW’07（2007），第141-150页。 [16] P.Li、T.J.Hastie和K.W.Church，“利用边缘信息改进随机投影”，摘自：Proc。COLT’06（2006），第635-649页·Zbl 1143.68547号 [17] F.X.Yu、A.Bhaskara、S.Kumar、Y.Gong和S.-F.Chang，《关于使用循环矩阵进行二进制嵌入》，arXiv:1511.06480（2015）·兹比尔1462.68172 [18] D.A.Rachkovskij、I.S.Misuno和S.V.Slipchenko，“构建二进制稀疏向量表示的随机投影方法”，《控制论与系统分析》，第48卷，第1期，第140-150页（2012年）·Zbl 1276.68144号 ·doi:10.1007/s10559-012-9384-0 [19] D.A.Rachkovskij，“通过随机二进制投影估计向量相似性”，《控制论与系统分析》，第51卷，第5期，808-818（2015）·Zbl 1347.68291号 ·doi:10.1007/s10559-015-9774-1 [20] G.W.Oehlert，“关于delta方法的注释”，《美国统计学家》，第46卷，第1期，第27-29页（1992年）。 [21] L.Jacques、J.N.Laska、P.T.Boufounos和R.G.Baraniuk，“通过稀疏向量的二进制稳定嵌入实现稳健的1位压缩感知”，IEEE Trans。Inf.Theory，第59卷，第4期，2082-2102（2013）·Zbl 1364.94130号 ·doi:10.1109/TIT.2012.2234823 [22] L.Jacques，“量子化Johnson-Lindenstraus引理：布冯针的发现”，IEEE Trans。《信息论》，第61卷，第9期，5012-5027（2015）·Zbl 1359.81065号 ·doi:10.1109/TIT.2015.2453355 [23] D.E.Knuth，“大omicron、大omega和大θ”，ACM Sigact News，第8卷，第2期，第18-24页（1976年）。 ·doi:10.1145/1008328.1008329 [24] Z.Karnin、Y.Rabani和A.Shpilka，“显式降维及其应用”，SIAM J.Compute。，第41卷，第1期，219-249（2012）·Zbl 1253.68154号 ·doi:10.1137/10828812 [25] K.G.Larsen和J.Nelson，Johnson-Lindenstraus引理的最优性，arXiv:1609.02094（2016）·Zbl 1394.46009号 [26] Y.Plan和R.Vershynin，“随机超平面细分的降维”，《离散与计算几何》，第51卷，第2期，438-461（2014）·Zbl 1296.52014年 ·doi:10.1007/s00454-013-9561-6 [27] S.Oymak和B.Recht，任意集二进制嵌入的近最优界，arXiv:1512.04433（2015）·Zbl 0971.68204号 [28] N.Ailon和B.Chazelle，“快速Johnson-Lindenstraus变换和近似最近邻”，SIAM J.Compute。，第39卷，第1期，302-322（2009）·Zbl 1185.68327号 ·数字对象标识代码：10.1137/060673096 [29] Q.Le、T.Sarlos和A.J.Smola，“快餐——计算对数线性时间内的希尔伯特空间扩展”，JMLR:W&CP，第28卷，第3期，第244-252页（2013年）。 [30] S.Oymak，循环二进制嵌入的近最优样本复杂度界限，arXiv:1603.03178（2016）·Zbl 1235.68161号 [31] 谢家华、吕春生和裴春生，“通过循环下采样矩阵进行快速二进制嵌入：一种与数据无关的方法”，见：Proc。ICIP’16（2016）·兹比尔1225.68175 [32] A.Choromanska、K.Choromaski、M.Bojarski、T.Jebara、S.Kumar和Y.LeCun，“结构化散列投影的二进制嵌入”，见：Proc。ICML’16（2016），第344-353页·Zbl 0583.68059号 [33] S.Dirksen和A.Stollenwerk，《高斯循环矩阵的快速二进制嵌入：改进边界》，arXiv:1608.06498（2016）·Zbl 1409.60023号 [34] P.Li、T.J.Hastie和K.W.Church，“非常稀疏的随机投影”，摘自：Proc。KDD’06（2006），第287-296页·Zbl 1234.68421号 [35] D.A.Rachkovskij，“用随机二进制投影形成反映相似性的二进制向量”，《控制论与系统分析》，第51卷，第2期，313-323（2015）·Zbl 1317.93233号 ·doi:10.1007/s10559-015-9723-z [36] V.Korolev和I.Shevtsova，“Berry-Esseen不等式的改进及其对泊松和混合泊松随机和的应用”，《斯堪的纳维亚精算杂志》，2012年第2期，第81-105页（2012年）·Zbl 1277.60042号 ·doi:10.1080/03461238.2010.485370 [37] Y.Gong、K.Sanjiv、H.A.Rowley和S.Lazebnik，“使用双线性投影学习高维数据的二进制代码”，摘自：Proc。CVPR’13（2013），第484-491页·Zbl 0963.68078号 [38] X.Zhang、F.X.Yu、R.Guo、S.Kumar、S.Wang和S.-F.Chang，“基于kronecker积的快速正交投影”，摘自：Proc。ICCV’15（2015），第2929-2937页。 [39] P.Indyk和R.Motwani，“近似最近邻：消除维度诅咒”，摘自：Proc。第30届ACM交响乐团。《计算理论》（1998），第604-613页·Zbl 1029.68541号 [40] A.Gionis、P.Indyk和R.Motwani，“通过散列在高维中进行相似性搜索”，摘自：Proc。VLDB’99（1999），第518-529页。 [41] A.Andoni和P.Indyk，“高维近似最近邻的近优散列算法，ACM通信，第51卷，第1期，117-122（2008）·数字对象标识代码：10.1145/1327452.1327494 [42] A.Andoni，“最近邻居搜索：旧的、新的和不可能的”，麻省理工学院博士论文（2009年）。 [43] J.Wang、H.T.Shen、J.Song和J.Ji，《相似性搜索的哈希：一项调查》，arXiv:1408.2927（2014）。 [44] P.Li、M.Mitzenmacher和A.Shrivastava，“随机投影的编码”，摘自：Proc。ICML’14（2014），第676-684页。 [45] S.Shalev-Shwartz、Y.Singer和N.Srebro，“Pegasos:SVM的原始估计子梯度解算器”，摘自：Proc。ICML’2007（2007），第807-814页·Zbl 1211.90239号 [46] R.-E.Fan、K.-W.Chang、C.-J.Hsieh、X.-R.Wang和C.J.Lin，“LIBLINEAR:大型线性分类库”，《机器学习研究杂志》，第9卷，1871-1874（2008）·Zbl 1225.68175号 [47] T.Joachims、T.Finley和C.-N.J.Yu，“结构SVM的切割平面训练”，机器学习，第77卷，第1期，27-59（2009）·Zbl 1235.68161号 ·doi:10.1007/s10994-009-5108-8 [48] T.Martinetz、K.Labusch和D.Schneegas，“SoftDoubleMaxMinOver:支持向量机的类感知器训练”，IEEE神经网络学报，第20卷，第7期，1061-1072（2009）。 ·doi:10.1109/TNN.2009.2016717 [49] L.Bottou，“随机梯度下降的大规模机器学习”，摘自：Proc。COMPSTAT’10（2010），第177-187页·Zbl 1436.68293号 [50] M.Datar、N.Immorlica、P.Indyk和V.S.Mirrorkni，“基于P-稳定分布的局部敏感哈希方案”，摘自：Proc。SCG’04（2004），第253-262页·Zbl 1373.68193号 [51] P.Li、M.Mitzenmacher和A.Shrivastava，《2位随机投影、非线性估计和近似近邻搜索》，arXiv:1602.06577（2016）·Zbl 1357.68178号 [52] D.Gorisse、M.Cord和F.Precioso，“chi2距离的局部敏感散列”，IEEE Ttrans。PAMI，第34卷，第2期，402-409（2012）。 ·doi:10.1109/TPAMI.2011.193 [53] P.Li、G.Samorodnitsky和J.Hopcroft，“符号柯西投影和奇方核”，摘自：Proc。NIPS’13，2571-2579（2013）·Zbl 1151.30007号 [54] P.Li，《大规模学习的符号稳定随机投影》，arXiv:1504.07235（2015）。 [55] A.Dasgupta、R.Kumar和T.Sarlos，“快速位置敏感散列”，摘自：Proc。SIGKDD’11（2011），第1073-1081页·Zbl 1007.68997号 [56] L.Pauleve、H.Jegou和L.Amsaleg，“位置敏感哈希：哈希函数类型和查询机制的比较”，模式识别。莱特。，第31卷，第11期，1348-1358（2010）。 ·doi:10.1016/j.patrec.2010.04.004 [57] P.Li，“0位一致加权采样”，摘自：Proc。KDD’15（2015），第665-674页。 [58] 李鹏，非线性核的比较研究，arXiv:1603.06541。(2016). ·Zbl 1225.68175号 [59] M.Manasse、F.McSherry和K.Talwar，“一致加权采样”，技术代表MSR-TR-2010-73（2010）。 [60] S.Ioffe，“改进的一致采样、加权最小散列和一级草图绘制”，摘自：Proc。ICDM’10（2010），第246-255页。 [61] B.Haeupler、M.Manasse和K.Talwar，《一致加权抽样快速、小且容易》，arXiv:1410.4266（2014）·Zbl 1317.93233号 [62] A.Shrivastava，“简单高效的加权最小值散列”，摘自：Proc。NIPS’16（2016）。 [63] M.Thorup，“Bottom-k和优先级抽样，以最小独立性设置相似性和子集和”，摘自：Proc。STOC’13（2013），第371-378页·Zbl 1293.68107号 [64] P.Li，广义最小最大核和广义一致加权抽样，arXiv:1605.05721（2016）。 [65] P.Li和C.-H.Zhang，GMM内核理论，arXiv:1608.00550（2016）·Zbl 1185.68327号 [66] P.Li，Nystrom近似GMM核的方法，arXiv:1607.03475（2016）。 [67] N.Cristianini和J.Shawe-Taylor，《支持向量机和其他基于内核的学习方法简介》，剑桥大学出版社，英国剑桥（2000）·Zbl 0994.68074号 ·doi:10.1017/CBO9780511801389 [68] I.Steinwart和A.Christmann，支持向量机，Springer，纽约（2008）·兹比尔1203.68171 [69] T.Hofmann、B.Scholkopf和A.Smola，“机器学习中的核心方法”，《统计学年鉴》，第36卷，第3期，1171-1220（2008）·Zbl 1151.30007号 ·doi:10.1214/00905360000000677 [70] N.Shervashidze、P.Schweitzer、E.J.van Leeuwen、K.Mehlhorn和K.M.Borgwardt，“Weisfeiler-Lehman图形内核”，《机器学习研究杂志》，第2卷，2539-2561（2011）·Zbl 1280.68194号 [71] M.M.Luqman、J.Y.Ramel、J.Llados和T.Brouard，“模糊多级图嵌入”，模式识别，第46卷，第2期，551-565页（2013年）·Zbl 1251.68191号 ·doi:10.1016/j.patcog.2012.07.029 [72] L.Livi、A.Rizzi和A.Sadeghian，“标记图的优化差异空间嵌入”，《信息科学》，第266卷，第47-64页（2014年）。 ·doi:10.1016/j.ins.2014.01.005 [73] M.Neumann、R.Garnett、C.Bauckhage和K.Kersting，“传播核：来自传播信息的有效图形核”，机器学习，第102卷，第2期，209-245（2016）·Zbl 1357.68178号 ·doi:10.1007/s10994-015-5517-9 [74] T.Gartner、J.Lloyd和P.Flach，“结构化数据的内核和距离”，《机器学习》，第57卷，第3期，205-232（2004）·Zbl 1079.68086号 ·doi:10.1023/B:MACH.0000039777.23772.30 [75] K.Shin和T.Kuboyama，“Haussler卷积核的推广-映射核及其在树核中的应用”，J.Compute。科学。技术。，第25卷，第5期，1040-1054（2010）。 ·doi:10.1007/s11390-010-9386-1 [76] G.Da San Martino、N.Navarin和A.Sperduti，《基于树的图形内核》，摘自：Proc。ICDM’12（2012），第975-986页·Zbl 1364.94130号 [77] N.Kriege和P.Mutzel，“属性图的子图匹配内核”，摘自：Proc。ICML’12（2012），第1015-1022页。 [78] A.Rahimi和B.Recht，“大型内核机器的随机特性”，摘自：Proc。NIPS’07（2007），第1177-1184页。 [79] M.Raginsky和S.Lazebnik，“来自移位不变内核的局部敏感二进制代码”，摘自：Proc。NIPS’09（2009），第1509-1517页·Zbl 1154.51002号 [80] S.Kim和S.Choi，“位置敏感二进制码的双线性随机投影”，摘自：Proc。CVPR’15（2015），第1338-1346页。 [81] B.Kulis和K.Grauman，“内核化位置敏感散列”，IEEE Trans。PAMI，第34卷，第6期，1092-1104（2012）。 ·doi:10.1109/TPAMI.2011.219 [82] K.Jiang、Q.Que和B.Kulis，“重温核化局部敏感散列以改进大规模图像检索”，摘自：Proc。CVPR’15（2015），第4933-4941页。 [83] H.Xia、P.Wu、S.C.Hoi和R.Jin，“为可扩展图像检索增强多内核位置敏感哈希”，发表于：Proc。SIGIR’12（2012），第55-64页。 [84] P.Li、A.Shrivastava、J.L.Moore和A.C.König，“大规模学习的散列算法”，摘自：Proc。NIPS’11（2011），第2672-2680页·Zbl 1347.68291号 [85] P.Li和A.C.König，“b位最小散列的理论和应用”，《ACM的通信》，第54卷，第8期，第101-109页（2011年）。 ·doi:10.1145/1978542.1978566 [86] E.Kushilevitz、R.Ostrovsky和Y.Rabani，“高效搜索高维空间中的近似最近邻”，《SIAM计算杂志》，第30卷，第2期，457-474（2000）·Zbl 0963.68078号 ·doi:10.1137/S0097539798347177 [87] P.Li和K.W.Church，“估算双向和多向关联的草图算法”，计算语言学，第33卷，第3期，305-354（2007）·Zbl 1234.68421号 ·doi:10.1162/coli.2007.33.3.305 [88] P.Li、K.W.Church和T.J.Hastie，《全民素描：条件随机抽样的理论和应用》，摘自：Proc。NIPS’08（2008），第953-960页。 [89] P.Flajolet和G.N.Martin，“数据库应用的概率计数算法”，J.Compute。系统科学。，第31卷，182-209（1985）·Zbl 0583.68059号 ·doi:10.1016/0022-0000（85）90041-8 [90] E.Cohen，“具有传递闭包和可达性应用的规模估算框架”，J.Compute。系统科学。，第55卷，441-453（1997）·Zbl 0897.68075号 ·doi:10.1006/jcss.1997.1534 [91] E.Cohen，“所有实例草图，重访：大规模图形分析的HIP估计值”，摘自：Proc。PODS’14（2014），第88-99页。 [92] A.Z.Broder，“关于文件的相似性和包容性”，摘自：Proc。序列’97（1997），第21-29页。 [93] A.Z.Broder、S.C.Glassman、M.S.Manasse和G.Zweig，“网络的句法聚类”，《计算机网络和ISDN系统》，第29卷，第8-13期，第1157-1166页（1997年）。 ·doi:10.1016/S0169-7552（97）00031-7 [94] A.Z.Broder、M.Charikar、A.M.Frieze和M.Mitzenmacher，“Min-wise独立排列”，《计算杂志》。系统科学。，第60卷，327-336（1998）·Zbl 1007.68997号 [95] M.Mitzenmacher、R.Pagh和N.Pham，“使用奇怪草图对高度相似性进行有效评估”，摘自：Proc。WWW’14（2014），第109-118页·Zbl 0897.68075号 [96] P.Indyk，“近似最小独立的散列函数族”，《算法杂志》，第38卷，第1期，84-90（2001）·Zbl 0971.68204号 ·doi:10.1006/jagm.2000.1131 [97] M.Patrascu和M.Thorup，“关于线性探测和minwise独立所需的k独立性”，ACM Trans。《算法》，第12卷，第1期，8:1-8:27（2016）·Zbl 1288.68050号 [98] S.Dahlgard和M.Thorup，“扭曲表格的近似最小独立性”，摘自：Proc。SWAT’14（2014），第134-145页·Zbl 1417.68037号 [99] M.Thorup，“使用表格进行快速而强大的散列，arXiv:1505.01523。(2016). ·Zbl 0583.68059号 [100] M.Mitzenmacher和S.Vadhan，“为什么简单的散列函数有效：利用数据流中的熵”，摘自：Proc。SODA’08（2008），第746-755页·Zbl 1192.68202号 [101] P.Li、A.B.Owen和C.H.Zhang，“一个置换散列”，摘自：Proc。NIPS’12（2012），第3122-3130页。 [102] M.Charikar、K.Chen和M.Farach-Colton，“在数据流中查找频繁项”，摘自：Proc。ICALP’02（2002），第693-703页·Zbl 1057.68600号 [103] P.Flajolet，爱沙尼亚。Fusy，O.Gandouet和F.Meunier，“Hyperloglog:近最优基数估计算法的分析”，摘自：Proc。AofA'07（2007），第127-146页·Zbl 1192.68959号 [104] A.Shrivastava和P.Li，“通过旋转加密一个置换散列以实现快速近邻搜索”，摘自：Proc。ICML’14（2014），第557-565页。 [105] A.Shrivastava和P.Li，“一个置换散列的改进致密化”，摘自：Proc。UAI’14（2014），第732-741页。 [106] S.Dahlgaard、M.B.T.Knudsen、E.Rotenberg和M.Thorup，“k分区上的统计散列”，摘自：Proc。FOCS’15（2015），第1292-1310页。 [107] D.Valsesia、S.M.Fosson、C.Ravazzi、T.Bianchi和E.Magli，“SparseHash:在信号支持之间嵌入Jaccard系数”，载于：ICME 2016研讨会（2016），第1-16页。 [108] E.M.Kussul、D.A.Rachkovskij和T.N.Baidyk，“联想-投射神经网络：架构、实现、应用”，摘自：Proc。Neuro-Nimes’91（1991），第463-476页。 [109] D.A.Rachkovskij、E.M.Kussul和T.N.Baidyk，“使用结构敏感的稀疏二进制分布式表示构建世界模型”，《生物启发认知架构》，第3卷，第64-86页（2013年）。 ·doi:10.1016/j.bica.2012.09.004 [110] D.Kleyko、E.Osipov和D.A.Rachkovskij，“使用稀疏分布表示修改全息图神经元”，见《Procedia计算机科学》，第88卷，第39-45页（2016年）。 [111] A.Kartashov、A.Frolov、A.Goltsev和R.Folk，“类Willshaw自联想网络的检索质量和效率：III.Willshaw-Potts模型”，《网络：神经系统中的计算》，第8卷，第1期，71-86（1997）·Zbl 0908.68053号 ·doi:10.1088/0954-898X_8_1_007 [112] A.A.Frolov、D.A.Rachkovskij和D.Husek，“关于Willshaw样自动联想记忆的信息特征”，《神经网络世界》，第12卷，第2期，141-158（2002）。 [113] A.A.Frolov、D.Husek和D.A.Rachkovskij，“在联想记忆中搜索相似二进制向量的时间”，《控制论与系统分析》，第42卷，第5期，615-623（2006）·Zbl 1117.68065号 ·doi:10.1007/s10559-006-0098-z [114] K.Eshghi和M.Kafai，“具有稀疏二进制高维特征向量的支持向量机”，HPE-2016-30（2016）。 [115] N.M.Amosov、T.N.Baidyk、A.D.Goltsev、A.M.Kasatkin、L.M.Kasartkina、E.M.Kussul和D.A.Rachkovskij，《神经计算机和智能机器人（俄语）》，基辅Naukova Dumka（1991）。 [116] E.M.Kussul、D.A.Rachkovskij和T.N.Baidyk，“通过联想投射神经计算机进行图像纹理识别”，摘自：Proc。ANNIE’91（1991），第453-458页。 [117] R.Donaldson、A.Gupta、Y.Plan和T.Reimer，《为商业搜索引擎设计的随机映射》，arXiv:1507.05929（2015）。 [118] B.A.Olshausen和D.J.Field，“感官输入的稀疏编码”，当前。操作。神经生物学。，第14卷，481-487（2004）。 ·doi:10.1016/j.conb.2004.07.007 [119] S.Ahmad和J.Hawkins，神经元如何在稀疏分布表征上运作？稀疏性、神经元和活性枝晶的数学理论，arXiv:1601.00720（2016）。 [120] I.S.Misuno、D.A.Rachkovskij和S.V.Slipchenko，“反映单词语义相关性的向量和分布式表示”，《数学机器与系统》，第3期，50-67页（2005年）。 [121] I.S.Misuno、D.A.Rachkovskij、S.V.Slipchenko和A.M.Sokolov，“借助向量表示搜索文本信息”，《编程问题》，第4期，第50-59页（2005年）。 [122] Q.Shi、J.Petterson、G.Dror、J.Langford、A.J.Smola和S.V.N.Vishwanathan，“结构化数据的哈希核”，J.Mach。学习。研究，第10卷，2615-2637（2009）·Zbl 1235.68188号 [123] D.A.Rachkovskij、S.V.Slipchenko、E.M.Kussul和T.N.Baidyk，“标量的稀疏二进制分布式编码”，《自动化与信息科学杂志》，第37卷，第6期，第12-23页（2005年）。 ·数字对象标识代码：10.1615/J [124] D.A.Rachkovskij、S.V.Slipchenko、I.S.Misuno、E.M.Kussul和T.N.Baidyk，“数字向量的稀疏二进制分布编码”，《自动化与信息科学杂志》，第37卷，第11期，47-61（2005）。 ·数字对象标识代码：10.1615/J [125] D.A.Rachkovskij、S.V.Slipchenko、E.M.Kussul和T.N.Baidyk，“分布式二进制数据表示的绑定过程”，《控制论与系统分析》，第41卷，第3期，第319-331页（2005年）·Zbl 1102.68457号 ·doi:10.1007/s10559-005-0066-z [126] E.M.Kussul、D.A.Rachkovskij和D.C.Wunsch，“实值向量的随机子空间粗编码方案”，摘自：Proc。IJCNN’99（1999），第450-455页。 [127] D.A.Rachkovskij、S.V.Slipchenko、E.M.Kussul和T.N.Baidyk，“随机子空间RSC方案的数字代码属性”，《控制论与系统分析》，第41卷，第4期，509-520（2005）·兹比尔1103.68719 ·doi:10.1007/s10559-005-0086-8 [128] K.Eshghi和M.Kafai，“CRO内核：对稀疏的高维随机特征映射使用伴随的秩序散列”，摘自：Proc。ICDE’16（2016），第721-730页。 [129] K.Forbus、R.Ferguson、A.Lovett和D.Gentner，“扩展SME以处理大规模认知建模”，DOI:10.1111/cogs.12377（2016）。 [130] D.A.Rachkovskij和S.V.Slipchenko，“基于相似性的检索与结构敏感的稀疏二进制分布式表示”，《计算智能》，第28卷，第1期，106-129（2012）。 ·文件编号：10.1111/j.1467-8640.2011.00423.x [131] D.A.Rachkovskij，“具有结构敏感分布式表示的类比映射的一些方法”，《实验和理论人工智能》，第16卷，第3期，125-145（2004）·Zbl 1083.68581号 ·doi:10.1080/09528130410001712862 [132] S.V.Slipchenko和D.A.Rachkovskij，“使用二进制分布式表示的相似性进行类比映射”，《国际信息理论与应用》，第16卷，第3期，269-290（2009）。 [133] L.Jacques，《小宽度，低失真：量化亚高斯随机投影的准等体积嵌入》，arXiv:1504.06170（2015）。 [134] L.Jacques和V.Cambareri，《抖动时间：通过受限等距特性的快速量化随机嵌入》，arXiv:1607.00816（2016）·Zbl 1386.94031号 [135] P.T.Boufounos、H.Mansour、S.Rane和A.Vetro，“有效检索和分类视觉特征的降维”，APSIPA Trans。《信号和信息处理》，第5卷，第e14期，第1-14页（2016年）。 [136] P.T.Boufounos、S.Rane和H.Mansour，《信号几何的表示和编码》，arXiv:1512.07636（2015）·Zbl 1386.94021号 [137] Q.Lv、M.Charikar和K.Li，“紧凑数据结构的图像相似性搜索”，摘自：Proc。CIKM'04（2004），第208-217页。 [138] Z.Wang、W.Dong、W.Josephson、Q.Lv、M.Charikar和K.Li，“确定草图尺寸：相似性搜索的基于排名的分析”，摘自：Proc。SIGMETRICS’07（2007），第157-168页。 [139] W.Dong、M.Charikar和K.Li，“高维空间相似性搜索草图的非对称距离估计”，摘自：Proc。SIGIR’08（2008），第123-130页。 [140] K.Min、L.Yang、J.Wright、L.Wu、X.-S.Hua和Y.Ma，“紧凑投影：具有实际记忆要求的简单高效近邻搜索”，摘自：Proc。CVPR’10（2010），第3477-3484页。 [141] E.Chávez、G.Navarro、R.Baeza-Yates和J.L Marroquin，“在度量空间中搜索”，《ACM计算调查》，第33卷，第3期，273-321页（2001年）。 ·数字对象标识代码：10.1145/502807.502808 [142] P.Zezula、G.Amato、V.Dohnal和M.Batko，《相似性搜索：度量空间方法》，纽约斯普林格出版社（2006年）·Zbl 1119.68062号 [143] G.R.Hjaltason和H.Samet，“度量空间中的索引驱动相似性搜索”，《ACM数据库系统事务》，第28卷，第4期，517-580（2003）。 ·数字对象标识代码：10.1145/958942.958948 [144] A.Becker、L.Ducas、N.Gama和T.Laarhoven，“最近邻搜索的新方向与晶格筛分应用”，摘自：Proc。SODA’16（2016），第10-24页·Zbl 1410.68093号 [145] M.Muja和D.G.Lowe，“高维数据的可扩展最近邻算法”，IEEE Trans。关于PAMI，第36卷，第11期，2227-2240（2014）。 ·doi:10.10109/TPAMI.2014.2321376 [146] X.Zhang、J.Qin、W.Wang、Y.Sun和J.Lu，“Hmsearch:一种高效的汉明距离查询处理算法”，摘自：Proc。SSDBM’13（2013），第19:1-19:12页·Zbl 1235.68161号 [147] M.Norouzi、A.Punjani和D.J.Fleet，“使用多索引散列在汉明空间中进行快速精确搜索”，IEEE Trans。PAMI，第36卷，第6期，1107-1119（2014）。 ·doi:10.1109/TPAMI.2013.231 [148] J.Song、H.T.Shen、J.Wang、Z.Huang、N.Sebe和J.Wang.“二进制代码数据库的无距离计算搜索方案”，IEEE Trans。多媒体，第18卷，第3期，484-495（2016）。 ·doi:10.1109/TMM.2016.2515990 [149] N.Pham和R.Pagh，“快速覆盖LSH的可扩展性和总召回”，载于：Proc。CIKM’16（2016）。 [150] Z.Jiang、L.Xie、X.Deng、W.Xu和J.Wang，《汉明空间中的快速最近邻搜索》，摘自：Proc。MMM’16（2016），第325-336页。 [151] J.Wang、W.Liu、S.Kumar和S.-F.Chang，“学习散列索引大数据：调查”，摘自：Proc。IEEE，第104卷，第1期，34-57（2016）。 [152] J.Wang、T.Zhang、J.Song、N.Sebe和H.T.Shen，《关于学习散列的调查》，arXiv:1606.00185（2016）。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。