半硬三角损失的 Edgeworth 展开分析
机器学习
2025-03-18 v1 机器学习
摘要
我们发展了对半硬三角损失函数进行的高阶渐近分析。已知该损失函数会确保相似样本的嵌入彼此靠近，而不相似样本的嵌入则与指定间隔保持分离。通过细化经典中心极限定理，本方法量化了间隔参数和底层数据分布偏斜性对损失行为的影响。具体而言，我们推导出揭示第三累积量项修正的显式 Edgeworth 展开，从而刻画了锚点-正样本对和锚点-负样本对之间距离差分布中呈现的非高斯效应。我们的发现提供了关于半硬三角损失对其参数敏感性的详细见解，并为选择间隔以确保训练稳定性提供了指导。
引用
@article{arxiv.2503.12893,
title = {Edgeworth Expansion for Semi-hard Triplet Loss},
author = {Masanari Kimura},
journal= {arXiv preprint arXiv:2503.12893},
year = {2025}
}