边界树与森林的邻域表示高效学习方法

我们提出了一种基于邻域分类的半参数方法。我们建立在 Mathy 等人（2015）最近提出的边界树（Boundary Trees）算法之上，该算法可在大规模数据集中实现快速的基于邻域的分类、回归与检索。虽然边界树使用欧几里得相似度度量，Zoran 等人（2017）提出的可微边界树（Differentiable Boundary Tree）算法旨在学习复杂输入数据的低维表示，并可在其上计算语义相似度以训练边界树。正如其作者所指出的，可微边界树方法存在若干限制，使其无法扩展到大规模数据集。本文中，我们提出可微边界集（Differentiable Boundary Sets），一种克服可微边界树方案计算问题并同时提升其分类精度与数据表征能力的算法。我们的算法可利用现有工具高效实现，并大幅缩短训练时间。我们在著名的 MNIST 手写数字数据集和 Xiao 等人（2017）较新的 Fashion-MNIST 数据集上测试并比较了这些算法。