| http://dbpedia.org/ontology/abstract
|
Locality sensitive hashing (LSH) est une m … Locality sensitive hashing (LSH) est une méthode de recherche approximative dans des espaces de grande dimension. C'est une solution au problème de la malédiction de la dimension qui apparait lors d'une recherche des plus proches voisins en grande dimension. L'idée principale est d'utiliser une famille de fonction de hachage choisies telles que des points proches dans l'espace d'origine aient une forte probabilité d'avoir la même valeur de hachage. La méthode a de nombreuses applications en vision artificielle, traitement automatique de la langue, bio-informatique…[citation nécessaire]ue, bio-informatique…[citation nécessaire]
, Locality-sensitive hashing (LSH) — вероятн … Locality-sensitive hashing (LSH) — вероятностный метод понижения размерности многомерных данных. Основная идея состоит в таком подборе хеш-функций для некоторых измерений, чтобы похожие объекты с высокой степенью вероятности попадали в одну корзину. Один из способов борьбы с «проклятием размерности» при поиске и анализе многомерных данных, которое заключается в том, что при росте размерности исходных данных поиск по индексу ведёт себя хуже, чем последовательный просмотр. Метод позволяет строить структуру для быстрого приближённого (вероятностного) поиска n-мерных векторов, «похожих» на искомый шаблон. LSH является одним из наиболее популярных на сегодняшний день приближённых алгоритмов поиска ближайших соседей (Approximate Nearest Neighbor, ANN). LSH в этом подходе отображает множество точек в высокоразмерном пространстве в множество ячеек, т. е. в хеш-таблицу. В отличие от традиционных хешей, LSH обладает свойством чувствительности к местоположению (locality-sensitive hash), благодаря чему способен помещать соседние точки в одну и ту же ячейку. Преимуществами LSH являются: 1) простота использования; 2) строгая теория, подтверждающая хорошую производительность алгоритма; 3) LSH совместим с любой нормой при . LSH можно использовать с евклидовой метрикой и с манхэттенским расстоянием. Существуют также варианты для расстояния Хэмминга и косинусного коэффициента.ояния Хэмминга и косинусного коэффициента.
, In computer science, locality-sensitive ha … In computer science, locality-sensitive hashing (LSH) is an algorithmic technique that hashes similar input items into the same "buckets" with high probability. (The number of buckets is much smaller than the universe of possible input items.) Since similar items end up in the same buckets, this technique can be used for data clustering and nearest neighbor search. It differs from conventional hashing techniques in that hash collisions are maximized, not minimized. Alternatively, the technique can be seen as a way to reduce the dimensionality of high-dimensional data; high-dimensional input items can be reduced to low-dimensional versions while preserving relative distances between items. Hashing-based approximate nearest neighbor search algorithms generally use one of two main categories of hashing methods: either data-independent methods, such as locality-sensitive hashing (LSH); or data-dependent methods, such as locality-preserving hashing (LPH).such as locality-preserving hashing (LPH).
, 局所性鋭敏型ハッシュ（きょくしょせいえいびんがたハッシュ、英語: locality sensitive hashing）とは高次元のデータを確率的な処理によって次元圧縮するための手法である。ハッシュの基本的な考え方は類似したデータが高確率で同じバケットに入るようにデータを整理するというものである。多くの場合においてこのバケットの数は入力されるデータサンプルの数よりもずっと小さくなる。
, Il locality-sensitive hashing (LSH) è un metodo per la riduzione della dimensionalità dello spazio vettoriale di un insieme di dati.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/One_minus_theta_over_pi_vs_cos_of_theta.gif?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://github.com/salviati/slash +
, https://github.com/trendmicro/tlsh +
, https://github.com/simonemainardi/LSHash +
, http://www.unclaw.com/chin/scholarship/hashfunctions.pdf%7C +
, https://web.archive.org/web/20101203074412/http:/www.vision.caltech.edu/malaa/software/research/image-search/ +
, https://github.com/RSIA-LIESMARS-WHU/LSHBOX +
, https://github.com/DBWangGroupUNSW/SRS +
, https://github.com/idealista/tlsh +
, https://github.com/idealista/tlsh-js +
, http://lshkit.sourceforge.net/ +
, http://web.mit.edu/andoni/www/LSH/index.html +
|
| http://dbpedia.org/ontology/wikiPageID
|
11634012
|
| http://dbpedia.org/ontology/wikiPageLength
|
29727
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1121220653
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Network_congestion +
, http://dbpedia.org/resource/VisualRank +
, http://dbpedia.org/resource/Symposium_on_Theory_of_Computing +
, http://dbpedia.org/resource/Open-source_software +
, http://dbpedia.org/resource/Symmetric_group +
, http://dbpedia.org/resource/Hash_collision +
, http://dbpedia.org/resource/Hash_function +
, http://dbpedia.org/resource/Nearest_neighbor_search +
, http://dbpedia.org/resource/Probability_distribution +
, http://dbpedia.org/resource/Moses_Charikar +
, http://dbpedia.org/resource/Fourier-related_transforms +
, http://dbpedia.org/resource/SimHash +
, http://dbpedia.org/resource/Parallel_RAM +
, http://dbpedia.org/resource/Random_permutation +
, http://dbpedia.org/resource/Universal_hashing +
, http://dbpedia.org/resource/Principal_component_analysis +
, http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Geohash +
, http://dbpedia.org/resource/Hash_functions +
, http://dbpedia.org/resource/Resource_contention +
, http://dbpedia.org/resource/Genome-wide_association_study +
, http://dbpedia.org/resource/Dimension_reduction +
, http://dbpedia.org/resource/String_metric +
, http://dbpedia.org/resource/Hamming_distance +
, http://dbpedia.org/resource/Digital_video_fingerprinting +
, http://dbpedia.org/resource/Anti-spam_techniques +
, http://dbpedia.org/resource/Category:Hashing +
, http://dbpedia.org/resource/Feature_hashing +
, http://dbpedia.org/resource/Cluster_analysis +
, http://dbpedia.org/resource/Rolling_hash +
, http://dbpedia.org/resource/File:One_minus_theta_over_pi_vs_cos_of_theta.gif +
, http://dbpedia.org/resource/Gene_expression +
, http://dbpedia.org/resource/Locality-preserving_hashing +
, http://dbpedia.org/resource/Jaccard_similarity +
, http://dbpedia.org/resource/Singular_value_decomposition +
, http://dbpedia.org/resource/Computer_science +
, http://dbpedia.org/resource/Hyperplane +
, http://dbpedia.org/resource/Random_indexing +
, http://dbpedia.org/resource/Cosine_distance +
, http://dbpedia.org/resource/Sparse_distributed_memory +
, http://dbpedia.org/resource/Curse_of_dimensionality +
, http://dbpedia.org/resource/Hierarchical_clustering +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Multilinear_subspace_learning +
, http://dbpedia.org/resource/Algorithmica +
, http://dbpedia.org/resource/Pipeline_%28computing%29 +
, http://dbpedia.org/resource/Category:Probabilistic_data_structures +
, http://dbpedia.org/resource/Graphical_model +
, http://dbpedia.org/resource/Metric_space +
, http://dbpedia.org/resource/Jaccard_index +
, http://dbpedia.org/resource/Semantic_similarity +
, http://dbpedia.org/resource/Stable_distribution +
, http://dbpedia.org/resource/Bloom_filter +
, http://dbpedia.org/resource/Category:Search_algorithms +
, http://dbpedia.org/resource/Checksum +
, http://dbpedia.org/resource/Audio_fingerprint +
, http://dbpedia.org/resource/Wavelet_compression +
, http://dbpedia.org/resource/Space-filling_curve +
, http://dbpedia.org/resource/Discrete_uniform_distribution +
, http://dbpedia.org/resource/Cryptography +
, http://dbpedia.org/resource/Avalanche_effect +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Cite_conference +
, http://dbpedia.org/resource/Template:Cite_journal +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:How +
, http://dbpedia.org/resource/Template:Mvar +
, http://dbpedia.org/resource/Template:Cn +
, http://dbpedia.org/resource/Template:ISBN +
, http://dbpedia.org/resource/Template:Clarify +
, http://dbpedia.org/resource/Template:Citation_needed +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Category:Probabilistic_data_structures +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Category:Search_algorithms +
, http://dbpedia.org/resource/Category:Hashing +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Locality-sensitive_hashing?oldid=1121220653&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/One_minus_theta_over_pi_vs_cos_of_theta.gif +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Locality-sensitive_hashing +
|
| owl:sameAs |
http://ru.dbpedia.org/resource/Locality-sensitive_hashing +
, http://dbpedia.org/resource/Locality-sensitive_hashing +
, http://www.wikidata.org/entity/Q1625299 +
, http://yago-knowledge.org/resource/Locality-sensitive_hashing +
, http://fr.dbpedia.org/resource/Locality_sensitive_hashing +
, https://global.dbpedia.org/id/cGRA +
, http://rdf.freebase.com/ns/m.02rm7ly +
, http://it.dbpedia.org/resource/Locality-sensitive_hashing +
, http://ja.dbpedia.org/resource/%E5%B1%80%E6%89%80%E6%80%A7%E9%8B%AD%E6%95%8F%E5%9E%8B%E3%83%8F%E3%83%83%E3%82%B7%E3%83%A5 +
|
| rdf:type |
http://dbpedia.org/class/yago/Arrangement105726596 +
, http://dbpedia.org/class/yago/WikicatDataStructures +
, http://dbpedia.org/class/yago/DataStructure105728493 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/WikicatSearchAlgorithms +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/WikicatProbabilisticDataStructures +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/WikicatAlgorithms +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Cognition100023271 +
, http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/WikicatClassificationAlgorithms +
, http://dbpedia.org/class/yago/Structure105726345 +
|
| rdfs:comment |
Locality sensitive hashing (LSH) est une m … Locality sensitive hashing (LSH) est une méthode de recherche approximative dans des espaces de grande dimension. C'est une solution au problème de la malédiction de la dimension qui apparait lors d'une recherche des plus proches voisins en grande dimension. L'idée principale est d'utiliser une famille de fonction de hachage choisies telles que des points proches dans l'espace d'origine aient une forte probabilité d'avoir la même valeur de hachage. La méthode a de nombreuses applications en vision artificielle, traitement automatique de la langue, bio-informatique…[citation nécessaire]ue, bio-informatique…[citation nécessaire]
, Locality-sensitive hashing (LSH) — вероятн … Locality-sensitive hashing (LSH) — вероятностный метод понижения размерности многомерных данных. Основная идея состоит в таком подборе хеш-функций для некоторых измерений, чтобы похожие объекты с высокой степенью вероятности попадали в одну корзину. Один из способов борьбы с «проклятием размерности» при поиске и анализе многомерных данных, которое заключается в том, что при росте размерности исходных данных поиск по индексу ведёт себя хуже, чем последовательный просмотр. Метод позволяет строить структуру для быстрого приближённого (вероятностного) поиска n-мерных векторов, «похожих» на искомый шаблон.ных векторов, «похожих» на искомый шаблон.
, Il locality-sensitive hashing (LSH) è un metodo per la riduzione della dimensionalità dello spazio vettoriale di un insieme di dati.
, In computer science, locality-sensitive ha … In computer science, locality-sensitive hashing (LSH) is an algorithmic technique that hashes similar input items into the same "buckets" with high probability. (The number of buckets is much smaller than the universe of possible input items.) Since similar items end up in the same buckets, this technique can be used for data clustering and nearest neighbor search. It differs from conventional hashing techniques in that hash collisions are maximized, not minimized. Alternatively, the technique can be seen as a way to reduce the dimensionality of high-dimensional data; high-dimensional input items can be reduced to low-dimensional versions while preserving relative distances between items.eserving relative distances between items.
, 局所性鋭敏型ハッシュ（きょくしょせいえいびんがたハッシュ、英語: locality sensitive hashing）とは高次元のデータを確率的な処理によって次元圧縮するための手法である。ハッシュの基本的な考え方は類似したデータが高確率で同じバケットに入るようにデータを整理するというものである。多くの場合においてこのバケットの数は入力されるデータサンプルの数よりもずっと小さくなる。
|
| rdfs:label |
Locality-sensitive hashing
, Locality sensitive hashing
, 局所性鋭敏型ハッシュ
|
