通过高效负采样改进协同度量学习
信息检索
2019-09-25 v1 机器学习
摘要
基于三元组损失的度量学习已成功应用于广泛领域，如人脸识别、图像检索、说话人变换检测，以及近期通过 CML 模型的推荐。然而，正如我们在本文中所展示的，CML 需要大批量才能合理工作，因为其用于选择三元组的均匀负采样策略过于简单。由于内存限制，这使其难以在高维场景中扩展。为缓解此问题，我们在此提出一种两阶段负采样策略，以寻找对学习高度信息化的三元组。我们的策略使 CML 在准确率和流行度偏差方面有效工作，即使批量大小比默认均匀采样所需的小一个数量级。我们展示了所提策略对推荐的适用性，并在多个数据集上呈现出一致的正向结果。
引用
@article{arxiv.1909.10912,
title = {Improving Collaborative Metric Learning with Efficient Negative Sampling},
author = {Viet-Anh Tran and Romain Hennequin and Jimena Royo-Letelier and Manuel Moussallam},
journal= {arXiv preprint arXiv:1909.10912},
year = {2019}
}
备注
SIGIR 2019