连续直方图损失：超越神经相似性
机器学习
2025-07-14 v1 机器学习
摘要
近年来相似性学习受到研究人员的广泛关注，并且近期提出了大量成功的方法。然而，大多数最先进的相似性学习方法仅考虑二值相似性。在本文中，我们引入一种称为连续直方图损失（CHL）的新损失函数，它将最近提出的直方图损失推广到多值相似性，即允许相似性的可接受值在某个范围内连续分布。该新颖损失函数以可微分的方式将成对距离和相似性聚合为二维直方图，然后计算随着相似性增加成对距离不减小这一条件的概率。该新颖损失能够解决更广泛范围的任务，包括相似性学习、表示学习和数据可视化。
引用
@article{arxiv.2004.02830,
title = {Continuous Histogram Loss: Beyond Neural Similarity},
author = {Artem Zholus and Eugene Lane},
journal= {arXiv preprint arXiv:2004.02830},
year = {2025}
}