Discrete Latent Factor Model for Cross-Modal Hashing

摘要

现有的跨模态哈希方法主要分为两类：

一类是基于松弛连续化的策略。另一类就是离散化的策略。

松弛离散化策略往往训练得更快，但是精度要低一些。

离散化策略往往训练得更慢，但是精度要高很多。

本文的DLFH就是一种离散化的策略。

提出算法

我们分别视U和V是离散的图片和文本的矩阵。那么根据DCMH

的那种损失，可以构造相似度矩阵，得到损失函数。

                       

学习策略

如果我们简单地翻转每个元素的符号来学习U，总时间复杂度将是，

这是非常高的。如果我们每次只优化一列，那么时间复杂度会降低为，

这里我们采用了一种代理策略来学习每一列，那么时间复杂度就降低为.

什么是代理策略呢？就是我们可以求损失函数的下限，然后努力使这个下限

最大，这样也可以达到优化的目的。

    

这样我们就可以建立L的一个下限（根据泰勒公式），并且最大化这个下限：

                     

以下就是损失函数值的下限：

这样就可以得到最优的U了。

同理我们也可以得到最优的V.

时间复杂度再次降低为O(mn)

我们在每次迭代中随机抽样S的m列(行)，然后我们可以用以下的方式更新

这样就能够实现时间复杂度的再次降低。

Two-step方式学习映射