一种面向判别性距离度量学习的分布式方法
机器学习
2019-05-15 v1 分布式、并行与集群计算
机器学习
摘要
距离度量学习在发现数据中内在关系方面十分成功。然而，当问题规模变大时，大多数算法计算开销高昂。本文中，我们提出一种判别性度量学习算法，并发展了一种分布式方案：在中等规模数据子集上学习度量，再将结果聚合成全局解。该技术利用了并行计算的能力。所提出的聚合距离度量学习（ADML）算法随数据规模良好扩展，并可由划分进行控制。我们从理论上分析并给出了由分布式处理所引入误差的界。我们在专门设计的测试与实际的图像标注任务上对 ADML 进行了实验评估。这些测试表明，ADML 仅以大多数现有方法所需成本的一小部分，便达到了 SOTA 性能。
引用
@article{arxiv.1905.05177,
title = {A Distributed Approach towards Discriminative Distance Metric Learning},
author = {Jun Li and Xun Lin and Xiaoguang Rui and Yong Rui and Dacheng Tao},
journal= {arXiv preprint arXiv:1905.05177},
year = {2019}
}