基础度量学习

传输距离在机器学习中用于比较特征直方图已有十多年历史。它们有一个参数：基础度量，它可以是特征本身之间的任意度量。与所有参数化距离一样，传输距离只有在谨慎选择此参数时才能在实践中证明其效用。迄今为止，实践者设置基础度量参数的唯一选择是依赖对特征的先验知识，这极大地限制了传输距离的应用范围。我们提议解除这一限制，转而考虑仅使用带标签直方图训练集就能学习基础度量的算法。我们将此方法称为基础度量学习。我们将学习基础度量的问题形式化为在一个凸距离矩阵集合上最小化两个多面体凸函数之差。在介绍我们的算法之后，我们展示了在Caltech-256数据集中使用图像GIST描述子进行二分类任务的有前景的实验结果。