Хешування є основною операцією в більшості онлайнових баз даних, таких як каталог бібліотеки чи веб-сайт електронної комерції. Хеш-функція генерує коди, які замінюють вхідні дані. Оскільки ці коди коротші за фактичні дані та зазвичай мають фіксовану довжину, це полегшує пошук і отримання вихідної інформації.
Однак, оскільки традиційні хеш-функції генерують коди випадковим чином, іноді дві частини даних можна хешувати з однаковим значенням. Це спричиняє колізії — під час пошуку одного елемента користувач вказує на багато фрагментів даних з однаковим хеш-значенням. Щоб знайти потрібний, потрібно набагато більше часу, що призводить до сповільнення пошуку та зниження продуктивності.
Певні типи хеш-функцій, відомі як ідеальні хеш-функції, призначені для сортування даних у спосіб, який запобігає зіткненням. Але вони мають бути створені спеціально для кожного набору даних і потребують більше часу для обчислення, ніж традиційні хеш-функції.
Оскільки хешування використовується в багатьох програмах, від індексування бази даних до стиснення даних і криптографії, швидкі та ефективні хеш-функції є критично важливими. Отже, дослідники з Массачусетського технологічного інституту та інших країн вирішили з’ясувати, чи можна використовувати машинне навчання для створення кращих хеш-функцій.
Їх дослідження, яке буде представлено на Міжнародній конференції з дуже великих баз даних, демонструє, як хеш-функція може бути розроблена для значного прискорення пошуку у величезній базі даних.
