用于隐式成对位置依赖度量学习的随机森林
机器学习
2012-01-04 v1 机器学习
摘要
度量学习使得从标记数据中学习复杂数据分布的距离成为可能。然而，迄今为止，大多数度量学习方法基于单个马氏距离度量，无法很好地处理异质数据。那些在整个空间中学习多个度量的方法虽然表现出更高的精度，但代价是计算效率低下。在这里，我们采用了一个新的角度来解决度量学习问题，学习一个能够在特征空间中隐式调整其距离函数的单一度量。这种度量自适应通过使用基于随机森林的分类器来支撑距离函数，并将绝对成对位置和标准相对位置都纳入表示中来实现。我们在各种数据集上实现并测试了我们的方法，并与最先进的全局和多度量方法进行了比较。总体而言，所提出的方法在精度上优于这两种方法（始终排名第一），并且比最先进的多度量方法快一个数量级（最坏情况下快16倍）。
引用
@article{arxiv.1201.0610,
title = {Random Forests for Metric Learning with Implicit Pairwise Position Dependence},
author = {Caiming Xiong and David Johnson and Ran Xu and Jason J. Corso},
journal= {arXiv preprint arXiv:1201.0610},
year = {2012}
}