对抗度量学习
机器学习
2018-02-12 v1 机器学习
摘要
在过去的几十年中，人们投入大量精力为度量学习问题设计各种损失函数与度量形式。当测试数据与训练数据相似时，这些改进已展现出有前景的结果。然而，由于训练集与测试集之间的分布偏差，训练好的模型往往无法在模糊测试样本对上产生可靠的距离。为解决该问题，本文提出对抗度量学习(AML)，其自动生成对抗样本对以弥补分布偏差并促进鲁棒的度量学习。具体而言，AML 包含两个对抗阶段，即混淆与区分。在混淆阶段，自适应地生成模糊但关键的对抗数据对以误导所学度量。在区分阶段，详尽地学习一个度量以尽力区分对抗样本对与原始训练样本对。得益于该竞争过程中混淆阶段带来的挑战，AML 模型能够掌握原始训练样本对未包含的丰富困难知识，从而显著提升 AML 的判别性。整个模型被表述为优化框架，其全局收敛性在理论上得到证明。在玩具数据与实际数据集上的实验结果清晰展示了 AML 相对于代表性前沿度量学习方法的优越性。
引用
@article{arxiv.1802.03170,
title = {Adversarial Metric Learning},
author = {Shuo Chen and Chen Gong and Jian Yang and Xiang Li and Yang Wei and Jun Li},
journal= {arXiv preprint arXiv:1802.03170},
year = {2018}
}
备注
8 pages, 5 figures