Publisher's Synopsis
Este livro resume A principal preocupação do hashing supervisionado é converter as características originais em códigos binários curtos que possam manter a semelhança de etiquetas no espaço de Hamming. Devido às suas fortes capacidades de generalização, as funções de hash não-lineares têm-se mostrado superiores às lineares. As funções Kernel são frequentemente utilizadas na literatura para criar hashing não-linear, o que resulta num desempenho de recuperação encorajador, mas em longos tempos de avaliação e treino. Neste caso, sugerimos a utilização de árvores de decisão potenciadas, que são rápidas de treinar e avaliar e, por isso, são mais adequadas para o hashing com dados de elevada dimensão. Como parte da melhoria contínua, começamos por sugerir formulações submodulares para o problema de inferência de código binário de hashing, bem como uma técnica eficaz de pesquisa de blocos baseada no Graph Cut para inferência em grande escala. Em seguida, treinamos árvores de decisão reforçadas para se adaptarem aos códigos binários, a fim de aprender funções de hash. As experiências mostram que, em termos de precisão de recuperação e duração do treino, a nossa estratégia sugerida ultrapassa largamente a maioria dos métodos mais avançados.
