用于主动度量学习的批次去相关方法

我们提出一种主动学习策略，用于训练距离度量的参数化模型，给定基于三元组的相似性评判：对象$x_i$比对象$x_k$更类似于对象$x_j$。与先前基于类别的学习（其根本目标是分类，且任何隐式或显式度量均为二值）不同，我们聚焦于表达对象间（不）相似程度的感知度量。我们发现，当为一批次三元组同时请求标注时，标准主动学习方法性能下降：我们的研究表明三元组间的相关性难辞其咎。本工作中，我们提出一种新颖方法对批次三元组去相关，其在保持各准则启发式选择解耦的同时，联合平衡信息量与多样性。实验表明我们的方法具有通用性、适应性，且优于当前最优（SOTA）方法。