HIER：基于层次正则化超越类别标签的度量学习

度量学习的监督长期以来以人工标注类别之间的等价关系形式给出。尽管这类监督几十年来一直是度量学习的基础，我们认为它阻碍了该领域的进一步进展。对此，我们提出一种新的正则化方法，称为 HIER，以发现训练数据的潜在语义层次，并利用该层次提供比常见度量学习损失所诱导的类间可分性更丰富、更细粒度的监督。HIER 无需层次语义标注，而是通过在学习双曲空间中学习层次代理来实现这一目标。层次代理是可学习参数，其中每一个都被训练为一组数据或其他代理的祖先，以近似它们之间的语义层次。HIER 在双曲空间中与数据一起处理这些代理，因为该空间的几何性质非常适合表示其层次结构。HIER 的有效性在四个标准基准上进行了评估，当与常规方法结合时它一致地提升了其性能，并因此在几乎所有设定下取得了最佳记录，甚至超越了现有的双曲度量学习技术。