تعتبر تقنيات التشفير السمهية (Semantic Hashing) من الأساليب الحديثة التي تحقق كفاءة عالية في البحث عن بيانات ذات أبعاد كبيرة من خلال إنتاج رموز هاش ثنائية قصيرة. ومع اعتمادها على تقنيات التعلم العميق، تُظهر قدرة أكبر على التقاط المعاني مقارنةً بالأساليب التقليدية التي تعتمد على هندسة الميزات اليدوية.

في السنوات الأخيرة، زادت أهمية الأساليب القائمة على التعلم العميق، حيث أنها تعتمد على بيانات فعّالة في التعامل مع مجموعة متنوعة من أشكال البيانات، مما يُنتج رموز هاش عالية الجودة ضمن إطار مصالح مشترك (Hamming space).

بينما كان هناك بعض الجهود السابقة لتحديد خصائص هذا الفضاء، تم تقديم دالة خسارة مستندة إلى قنوات سمهية ثابتة العرض والمسافات هامينغ المستمدة من تشابهات العلامات، إلا أن تلك الطريقة أدت أيضًا إلى ظهور عوائق في مشهد الخسارة، مما عَقد عملية تحسين النماذج.

لذا، تم اقتراح دالة خسارة جديدة، هي DSCI (Dynamic Semantic Channel Hashing)، تستخدم قنوات سمهية ذات أحجام ومواقع متغيرة لتفادي العوائق في مشهد الخسارة.

كما يُعزز استخدام دقة المقياس المتوسط المراعي للربط (tie-aware Mean Average Precision - mAP) كمعيار تقييم، حيث أنه يُعالج الغموض في ترتيب استرجاع العينات، والذي يبرز من تفرّد المسافات بين الرموز الهاش.

توفر التجارب المتعددة المُعتمدة على مجموعتين من البيانات وشجاعتين موديل مختلفتين دليلًا قويًا على أن التدريب باستخدام هدف DSCI يتفوق على التدريب باستخدام دوال خسارة أخرى متقدمة.

في الواقع، في 35 من أصل 40 مهمة استرجاع تتعلق بالبيانات، تُظهر النماذج المدربة باستخدام DSCI تحصيل درجات mAP أعلى بكثير عبر جميع أطوال الرموز الهاش الأربعة التي تم اختبارها، مما يُبرز النتائج المقنعة عبر نماذج الهندسة والبيانات المستخدم.