版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/oniy_/article/details/82012285
Introduction
前面说了很多用处不大的话【其实介绍了其他的一些哈希技术，因为是论文笔记，不是论文翻译所以会取舍很多】
重点：
现有的几种排序敏感的哈希算法：
- Hamming distance metric learning (HDML)
- Ranking-based Supervised Hashing (RSH)
- Top-Rank Supervised Binary Coding (Top-RSBC)
现有的排序敏感哈希都是利用三元组集合和SGD来优化实现的，但是这样的效率很低【即使有松弛操作减少时间算法的时间复杂度。其实很多算法的创新点也就是在此】而且需要很大的迭代次数。所以本文提出的OCH就是利用了数据集中原始的距离信息而不是三元组的排序信息。
OCH：
- OCP：用一个anchor group进行相似的映射并且将的排序的信息保存在图中；
- TOG：
- OCH：使用SGD来找到最优的二值哈希码；
三个难点：
- 如何高效的对数据集中的排序的信息进行建模；
- 现有的算法模型的时间复杂度很高；
- 模型的目标函数是离散的非常难以优化；
三个创新点：
- OCH 创建一个4元组的集合来保存排序的信息，但是时间复杂度很高，为了解决这个问题，又提出了利用tensor conduct来构建一个ordinary graph，该图可以保存数据集中原始的距离排序信息；
- 因为4元组的复杂度是n^4，提出anchor group和一种新的映射函数【OCP】，OCP使用含有排序关系的anchors去近似目标函数。anchor group和OCP使得ordinary tuple的规模从N^4--->L^3从而避免了大量的计算；
- 为了处理离散化的目标函数提出一种优化框架来解决目标函数的更新。【感觉就是几个松弛操作】
preliminary
OCH
