超越单空间的组合双曲线与欧几里得软三元损失：深度度量学习
计算机视觉与模式识别
2026-04-21 v2
摘要
深度度量学习旨在学习神经网络将数据映射到嵌入空间，以表示数据点之间的语义相似性。双曲空间因其能够表示更丰富的结构（如树形结构）而具有吸引力，因为它可以表示树形结构。在双曲空间中的深度度量学习基于基于配对的损失或无监督正则化损失。另一方面，由于在双曲空间中应用代理损失存在一些问题，尚未报告双曲空间中的监督代理损失。然而，代理损失因其在大规模数据集上的较低训练复杂度而具有吸引力。为解决这些问题，本文提出了组合双曲线和欧几里得软三元（CHEST）损失。CHEST损失由双曲和欧几里得空间中的代理损失以及基于双曲层次聚类的正则化损失组成。我们发现，双曲和欧几里得空间的组合提高了两种空间上的深度度量学习准确性和学习稳定性。最后，我们在四个基准数据集上评估了CHEST损失，实现了新的最佳性能。
引用
@article{arxiv.2510.05643,
title = {Combined Hyperbolic and Euclidean Soft Triple Loss Beyond the Single Space Deep Metric Learning},
author = {Shozo Saeki and Minoru Kawahara and Hirohisa Aman},
journal= {arXiv preprint arXiv:2510.05643},
year = {2026}
}
备注
12 pages, 3 figures