[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,92 +1,166 @@
|
||||
---
|
||||
id: wiki-2026-0508-locality-sensitive-hashing-lsh
|
||||
title: Locality Sensitive Hashing (LSH)
|
||||
title: Locality-Sensitive Hashing (LSH)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-LSHH-001]
|
||||
aliases: [LSH, Approximate Nearest Neighbor, MinHash, SimHash]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, lsh, hashing, vector-Search, algorithms, Big-Data, similarity-search]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [hashing, ann, retrieval, similarity-search]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: datasketch, faiss
|
||||
---
|
||||
|
||||
# [[Locality-Sensitive-Hashing (LSH)|Locality-Sensitive-Hashing (LSH)]]
|
||||
# Locality-Sensitive Hashing (LSH)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "비슷한 놈들끼리 같은 주소로: 값이 하나만 달라도 전혀 딴판이 되는 일반 해시(Hash)와 정반대로, 비슷한 데이터들은 높은 확률로 같은 바구니(Bucket)에 담기게 설계하여 방대한 데이터 속에서 닮은꼴을 순식간에 찾아내는 마법의 필터."
|
||||
## 매 한 줄
|
||||
> **"매 similar item 의 same bucket 으로의 hash"**. LSH 는 hash function family $\mathcal{H}$ 가 매 distance-preserving — close points 는 collide, far points 는 separate. Indyk & Motwani (1998) 이 도입했고, 2026 에서는 ANN 의 매 classical baseline 이며 dedup, plagiarism, blocking, near-duplicate retrieval 의 매 default 로 여전히 사용 (HNSW 가 dominate 하지만 LSH 는 streaming/external memory 에 유리).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
가까운 것을 민감하게 해싱(LSH)하는 기법은 고차원 데이터의 근사 유사도 검색을 위한 알고리즘입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **동작 원리**:
|
||||
* 데이터를 여러 개의 특수 해시 함수로 투영.
|
||||
* 거리가 가까운 데이터들은 해시값이 같을 확률이 매우 높게 설계됨.
|
||||
* 전체 데이터를 다 비교하는 대신, 같은 바구니에 담긴 데이터들만 상세히 비교함 (연산량 폭감).
|
||||
2. **왜 중요한가?**:
|
||||
* 유튜브의 저작권 도용 영상 찾기, 구글의 중복 문서 필터링, 대규모 벡터 DB의 핵심 엔진임. ([[Efficiency|Efficiency]]와 연결)
|
||||
### 매 Definition
|
||||
$\mathcal{H}$ is $(r_1, r_2, p_1, p_2)$-sensitive iff:
|
||||
- $d(x,y) \le r_1 \Rightarrow \Pr[h(x)=h(y)] \ge p_1$
|
||||
- $d(x,y) \ge r_2 \Rightarrow \Pr[h(x)=h(y)] \le p_2$
|
||||
- $r_1 < r_2$, $p_1 > p_2$
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정확도가 떨어진다는 정책적 우려가 있었으나, 현대 정책은 '근사 유사도 검색(ANN)' 정책이 빅데이터 환경에서 '정확도 100% 탐색 정책'보다 수천 배 빠르고 실용적임을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 최근 RAG(검색 증강 생성) 시스템에서 수백만 개의 문서 중 질문과 가장 닮은 문서를 0.1초 만에 찾아내는 'Faiss' 같은 라이브러리의 밑바닥 핵심 원리 정책으로 작동함. ([[Large Language Models (LLM)|Large Language Models (LLM)]]와 연결)
|
||||
### 매 Families
|
||||
- **MinHash**: Jaccard distance — set similarity
|
||||
- **SimHash (random hyperplane)**: cosine — sign of $w^\top x$
|
||||
- **p-stable LSH**: $\ell_p$ norms (Datar 2004)
|
||||
- **Cross-polytope**: spherical distance (state-of-art)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Efficiency|Efficiency]], [[Large Language Models (LLM)|Large Language Models (LLM)]], [[Analysis|Analysis]], [[Information-Entropy|Information-Entropy]], [[Search-Optimization|Search-Optimization]]
|
||||
- **Modern Tech/Tools**: Faiss (Meta), MinHash, SimHash, Pinecone, Milvus.
|
||||
---
|
||||
### 매 Amplification
|
||||
- AND: $g(x) = (h_1(x), \dots, h_k(x))$ — reduces $p_2$ to $p_2^k$
|
||||
- OR: $L$ tables, query all → reduces miss rate
|
||||
- tune $(k, L)$ for target precision/recall
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Dedup**: web crawl near-dup pages (MinHash + LSH).
|
||||
2. **Plagiarism**: shingled MinHash.
|
||||
3. **Blocking**: entity resolution candidate generation.
|
||||
4. **ANN**: cosine NN (SimHash baseline).
|
||||
5. **Genomics**: sketch-based read alignment.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### MinHash + LSH for Jaccard
|
||||
```python
|
||||
from datasketch import MinHash, MinHashLSH
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
def shingles(text, k=5):
|
||||
return {text[i:i+k] for i in range(len(text)-k+1)}
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def make_mh(s, num_perm=128):
|
||||
m = MinHash(num_perm=num_perm)
|
||||
for sh in s: m.update(sh.encode())
|
||||
return m
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
lsh = MinHashLSH(threshold=0.7, num_perm=128)
|
||||
docs = {"d1": "the quick brown fox", "d2": "the quick red fox"}
|
||||
mhs = {k: make_mh(shingles(v)) for k, v in docs.items()}
|
||||
for k, m in mhs.items(): lsh.insert(k, m)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
q = make_mh(shingles("the quick brown fox jumps"))
|
||||
print(lsh.query(q)) # candidate set
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### SimHash for cosine
|
||||
```python
|
||||
import numpy as np
|
||||
from collections import defaultdict
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def simhash(x, planes):
|
||||
return tuple((x @ planes.T > 0).astype(np.int8))
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# k random hyperplanes
|
||||
d, k, L = 128, 8, 10
|
||||
tables = [np.random.randn(k, d) for _ in range(L)]
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
def index(X):
|
||||
out = [defaultdict(list) for _ in range(L)]
|
||||
for i, x in enumerate(X):
|
||||
for li, planes in enumerate(tables):
|
||||
out[li][simhash(x, planes)].append(i)
|
||||
return out
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
def query(q, idx):
|
||||
cands = set()
|
||||
for li, planes in enumerate(tables):
|
||||
cands |= set(idx[li].get(simhash(q, planes), []))
|
||||
return cands
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### p-stable LSH (L2)
|
||||
```python
|
||||
# h(x) = floor((a·x + b) / w), a ~ N(0, I), b ~ U[0, w]
|
||||
def make_l2_lsh(d, w=4.0, k=8):
|
||||
a = np.random.randn(k, d)
|
||||
b = np.random.uniform(0, w, k)
|
||||
return lambda x: tuple(np.floor((a @ x + b) / w).astype(np.int64))
|
||||
```
|
||||
|
||||
### LSH Forest (multi-resolution)
|
||||
```python
|
||||
from datasketch import MinHashLSHForest
|
||||
forest = MinHashLSHForest(num_perm=128)
|
||||
for k, m in mhs.items(): forest.add(k, m)
|
||||
forest.index()
|
||||
print(forest.query(q, 5)) # top-5 approx Jaccard NN
|
||||
```
|
||||
|
||||
### Banding technique (k-AND, L-OR)
|
||||
```python
|
||||
def banded_lsh(signatures, k_per_band, L_bands):
|
||||
# signatures: (n, k_per_band * L_bands)
|
||||
buckets = [defaultdict(list) for _ in range(L_bands)]
|
||||
for i, sig in enumerate(signatures):
|
||||
for b in range(L_bands):
|
||||
band = tuple(sig[b*k_per_band:(b+1)*k_per_band])
|
||||
buckets[b][band].append(i)
|
||||
return buckets
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| Distance | Family |
|
||||
|---|---|
|
||||
| Jaccard (sets) | MinHash |
|
||||
| Cosine | SimHash / Cross-polytope |
|
||||
| $\ell_2$ | p-stable (Gaussian) |
|
||||
| Hamming | bit-sampling |
|
||||
| edit distance | shingle + MinHash approx |
|
||||
|
||||
**기본값**: HNSW for general ANN (faster); LSH for dedup, streaming, external memory, exact-recall guarantee.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Hashing]] · [[Approximate-Nearest-Neighbor]]
|
||||
- 변형: [[MinHash]] · [[SimHash]] · [[Cross-Polytope-LSH]]
|
||||
- 응용: [[Deduplication]] · [[Entity-Resolution]] · [[Plagiarism-Detection]]
|
||||
- Adjacent: [[HNSW]] · [[Vector-Database]] · [[Faiss]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: massive corpus dedup (e.g. pretraining cleanup), candidate blocking, streaming.
|
||||
**언제 X**: small (n < 10⁵) 또는 high-precision recall — HNSW/IVF 가 더 빠름.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **(k, L) tuning 무시**: default 사용 → too many false positives or misses.
|
||||
- **Wrong family**: cosine 인데 MinHash 사용 → meaningless.
|
||||
- **Re-hash on every query**: index 재build → use persistent lib (datasketch, faiss).
|
||||
- **Treating LSH as exact**: 매 approximate — verify candidates with true distance.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Indyk & Motwani 1998 STOC, Andoni & Indyk 2008 CACM, Leskovec MMDS textbook ch 3).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — LSH families, MinHash/SimHash, banding, dedup patterns |
|
||||
|
||||
Reference in New Issue
Block a user