Hashing

本文深入探讨了迭代量化技术的核心概念及其实现原理,包括目标函数的定义与约束条件的放松,以及该技术如何应用于近似最近邻搜索算法(如RR和LSH)。通过数学公式详细解释了迭代量化过程中的关键步骤。

Iterative Quantization

目标函数:

\[
\begin{array}{c}
\mathcal{I}(W)=\sum_{k} var(h_{k}({\bf x}))=\sum_{k} var( sgn(({\bf xw})_k))\\
\frac{1}{n}B^TB=I
\end{array}
\]

放松约束:

\[
\begin{array}{c}
\widetilde{\mathcal{I}}(W)=\sum_k \mathbb{E}(\lVert {\bf xw}_{k}\rVert_2^2)\\
=\frac{1}{n}tr(W^TX^TXW), W^TW=I
\end{array}
\]

 

RR

LSH

转载于:https://www.cnblogs.com/zxhy/p/3494830.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值