近日，人工智能領(lǐng)域全球頂級旗艦會議NeurIPS 2021最終接收論文名單重磅公布。極智嘉AI研究院聯(lián)合馬來西亞大學、英國Surrey大學的研究成果在人工智能頂級學術(shù)會議NeurIPS 2021上成功發(fā)表，充分印證了極智嘉在AI領(lǐng)域的強勁實力備受學術(shù)權(quán)威認可！

國際神經(jīng)信息處理系統(tǒng)大會NeurIPS (Conference and Workshop on Neural Information Processing Systems)是人工智能領(lǐng)域全球頂級的旗艦會議，會議的競賽也是全球最高水平的人工智能算法競賽。該會議主要展示機器學習與計算神經(jīng)科學領(lǐng)域的最新研究進展，其細分主題包括深度學習、計算機視覺和優(yōu)化稀疏等眾多理論方向。

作為全球AMR引領(lǐng)者，極智嘉憑借著穩(wěn)定可靠的機器人及系統(tǒng)，結(jié)合優(yōu)秀的軟件和AI算法，持續(xù)領(lǐng)跑行業(yè)智慧物流變革。在每年的“雙11”、6·18及黑色星期五等大促活動中，如何在海量庫存列表中快速匹配訂單洪峰的需求是每個商家都面臨的挑戰(zhàn)，因此高效準確的庫存和訂單存儲、查詢系統(tǒng)必不可缺。

極智嘉AI研究院入選論文《One Loss for All: Deep Hashing with a Single Cosine Similarity based Learning Objective》提出了全新數(shù)據(jù)哈希檢索算法，可以高效保障“雙11”等大促極限場景下的庫存和訂單查詢匹配。除此之外，該算法還可以將海量數(shù)據(jù)進行哈?；瘔嚎s，節(jié)約數(shù)據(jù)存儲空間，降低企業(yè)IT運維成本。

哈希檢索算法的具體流程如圖1所示。首先，利用骨架網(wǎng)絡(luò)提取數(shù)據(jù)特征，進行數(shù)據(jù)維度轉(zhuǎn)換。然后，利用二值正交化標簽與特征數(shù)據(jù)進行坐標變換，使得歐式空間的特征能夠在哈希空間進行比較。最后，利用交叉熵來進行數(shù)據(jù)分類處理，完成數(shù)據(jù)哈希化過程。

▲圖1 算法流程及余弦相似度計算

傳統(tǒng)算法在歐式空間將數(shù)據(jù)變換到哈?？臻g，之后進行數(shù)據(jù)間的比較或進行哈?；?，為此需要使用不同的損失函數(shù)來組合評價。與此相比，新算法以余弦相似度為基礎(chǔ)提出一種全新的優(yōu)化方案，僅使用一種損失函數(shù)進行評價，同時不要求特殊網(wǎng)絡(luò)設(shè)計與訓練技巧，以一種大道至簡的方式實現(xiàn)。具體來說，本算法將原始數(shù)據(jù)通過特征變換，重新在單位化的歐氏空間進行余弦相似度比較。通過利用余弦相似度打通了哈?？臻g與歐氏空間的聯(lián)系。

如下面公式所示，左側(cè)為哈?？臻g表示了數(shù)據(jù)點在哈希空間的相似度，公式右側(cè)為相同數(shù)據(jù)點在單位化后的歐氏空間的余弦相似度。因此，該算法可以直接通過在歐式空間的操作完成數(shù)據(jù)在哈?？臻g的轉(zhuǎn)換與比較，清晰的反應(yīng)了數(shù)據(jù)在變換后哈?？臻g的情況，并且對計算機在歐式空間的計算更加有利。因此，極大的優(yōu)化了計算效力與檢索精度，化繁為簡。

新算法的分類顯著性可由圖2所示。左側(cè)為直接基于歐式空間的優(yōu)化模型，中間及右側(cè)為論文提出方案?？梢钥闯鲈谑褂糜嘞蚁嗨贫仍u估之后，類比之間的差異被放大，并且在新空間內(nèi)具備方向性。

▲圖2 交叉熵與余弦相似度的特征分離程度比較

哈希檢索算法在ImageNet、COCO、WIDE等公開數(shù)據(jù)集上性能表現(xiàn)大幅提升，其中部分數(shù)據(jù)集比之前的算法檢索精度提升20%左右。新算法預(yù)期將大幅提升極智嘉處理海量數(shù)據(jù)及數(shù)據(jù)挖掘的能力，更好的服務(wù)客戶的實際業(yè)務(wù)運轉(zhuǎn)。

▲實驗結(jié)果與對比

論文鏈接：https://arxiv.org/abs/2109.14449

工程代碼：https://github.com/kamwoh/orthohash