面向度量学习的邻域学习
机器学习
2012-07-02 v1
摘要
度量学习方法已被证明在各种学习任务中表现良好。其中许多方法依赖于在原始特征空间中计算并在整个学习过程中保持固定的目标邻域关系。因此，学习到的度量反映了原始的邻域关系。我们提出了一种度量学习问题的新颖表述，其中除度量外，目标邻域关系也在两步迭代方法中被学习。这一新表述可被视为许多现有度量学习方法的推广。该表述包含一个目标邻居分配规则，它根据实例的质量为其分配不同数量的邻居；“高质量”实例获得更多邻居。我们用其对应于度量学习算法 LMNN 和 MCML 的两个实例化进行了实验，并在多个数据集上与其他度量学习方法进行了比较。实验结果表明了 SOTA 的性能，并提供了学习邻域关系确实能提升预测性能的证据。
引用
@article{arxiv.1206.6883,
title = {Learning Neighborhoods for Metric Learning},
author = {Jun Wang and Adam Woznica and Alexandros Kalousis},
journal= {arXiv preprint arXiv:1206.6883},
year = {2012}
}