基于hama 的半监督哈希方法① - 计算机系统应用.pdfVIP

2014 年 第 23 卷 第 11 期 计 算 机 系 统 应 用 ① 基于HAMA 的半监督哈希方法 刘 扬, 朱 明 ( 中国科学技术大学 自动化系, 合肥 230027) 摘 要: 在海量数据检索应用中, 基于哈希算法的最近邻搜索算法有着很高的计算和内存效率. 而半监督哈希算 法, 结合了无监督哈希算法的正规化信息以及监督算法跨越语义鸿沟的优点, 从而取得了良好的结果. 但其线下 的哈希函数训练过程则非常之缓慢, 要对全部数据集进行复杂的训练过程. HAMA 是在 Hadoop 平台基础上, 按 照分布式计算 BSP 模型构建的并行计算框架. 本文尝试在 HAMA 框架基础上, 将半监督哈希算法的训练过程中 的调整相关矩阵计算过程分解为无监督的相关矩阵部分与监督性的调整部分, 分别进行并行计算处理. 这使得 使得其可以水平扩展在较大规模的商业计算集群上, 使得其可以应用于实际应用. 实验表明, 这种分布式算法, 有效提高算法的性能, 并且可以进一步应用在大规模的计算集群上. 关键词: 无监督哈希算法; BSP 模型; 分布式计算; Hadoop 平台; HAMA 框架; 矩阵计算 HAMA-Based Semi-Supervised Hashing Algorithm LIU Yang, ZHU Ming (Department of Automation, University of Scince and Technology of China, Hefei 230027, China) Abstract: In the massive data retrieval applications, hashing-based approximate nearest(ANN) search has become popular due to its computational and memory efficiency for online search. Semi-supervised hashing (SSH) framework that minimizes empirical error over the labeled set and an information theoretic regularizer over both labeled and unlabeled sets. But the training of hashing function of this framework is so slow due to the large-scale complex training process. HAMA is a Hadoop top-level parallel framework based on Bulk Synchronous Parallel mode (BSP). In this paper, we analyze calculation of adjusted covariance matrix in the training process of SSH, split it into two parts: unsupervised data variance part and supervised pairwise labeled data part, and explore its parallelization. And experiments show the performance and scalability over general