利用区间拟度量嵌入改进非对称距离的表示
机器学习
2024-01-09 v2
摘要
非对称距离结构（拟度量）在生活中无处不在，并在机器学习应用中受到越来越多的关注。在模型表示中施加此类拟度量结构已被证明能改善许多任务，包括强化学习（Reinforcement Learning, RL）与因果关系学习。在本工作中，我们提出了此类拟度量模型的四个理想性质，并展示了先前工作如何未能满足它们。我们提出了区间拟度量嵌入（Interval Quasimetric Embedding, IQE），其被设计为满足所有四个标准。在三个拟度量学习实验中，IQE 展现出强大的逼近与泛化能力，带来了优于先前方法的性能与提升的效率。项目页面：https://www.tongzhouwang.info/interval_quasimetric_embedding 拟度量学习代码包：https://www.github.com/quasimetric-learning/torch-quasimetric
引用
@article{arxiv.2211.15120,
title = {Improved Representation of Asymmetrical Distances with Interval Quasimetric Embeddings},
author = {Tongzhou Wang and Phillip Isola},
journal= {arXiv preprint arXiv:2211.15120},
year = {2024}
}
备注
NeurIPS 2022 NeurReps Workshop Proceedings Track