从三元组比较中联合学习多种相似性度量
机器学习
2015-10-08 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
对象间的相似性是多方面的，当专注于特定方面时，人类标注者往往更容易对其进行度量。我们考虑将对象映射到视图特定嵌入（view-specific embeddings）的问题，其中对象间的距离与形式为“从第 t 个视图来看，对象 A 与 B 的相似度高于与 C 的相似度”的相似性比较一致。我们的框架通过利用视图间的相关性，联合学习视图特定的嵌入。在多个数据集上的实验（包括一个关于鸟类图像的多视图众包比较数据集）表明，与分别为每个视图独立学习嵌入或将所有视图合并为单一视图相比，所提出的方法实现了更低的三元组泛化误差。该方法还可用于学习考虑类别标签的输入特征上的多种相似性度量，并在 ISOLET 数据集上的多任务度量学习方面优于现有方法。
引用
@article{arxiv.1503.01521,
title = {Jointly Learning Multiple Measures of Similarities from Triplet Comparisons},
author = {Liwen Zhang and Subhransu Maji and Ryota Tomioka},
journal= {arXiv preprint arXiv:1503.01521},
year = {2015}
}