非平稳距离度量学习
机器学习
2016-05-24 v2 机器学习
摘要
近期的距离度量学习工作聚焦于学习数据变换，以最佳对齐所提供的成对相似与不相似约束集合。由于更好适应的距离或相似度度量，所学变换改进了检索、分类和聚类算法。在此，我们引入了当底层约束生成过程非平稳时学习这些变换的问题。这种非平稳性可能源于用于生成约束的真实聚类的变化，或类结构显现的特征子空间的变化。我们提出并评估了COMID-SADL，一种自适应、在线的学习和跟踪最优度量随时间变化的方法，它对变化度量中的多种非平稳行为高度鲁棒。我们在真实和合成数据集上展示了COMID-SADL，并显示出相对于先前提出的批处理和在线距离度量学习算法的显著性能提升。
引用
@article{arxiv.1603.03678,
title = {Nonstationary Distance Metric Learning},
author = {Kristjan Greenewald and Stephen Kelley and Alfred Hero},
journal= {arXiv preprint arXiv:1603.03678},
year = {2016}
}