距离度量学习的安全三元组筛选
机器学习
2018-10-08 v2
摘要
我们研究度量学习的安全筛选。距离度量学习可以在一组三元组上优化度量，每个三元组由一对同类样本和一个异类样本定义。然而，即使对于小规模数据集，可能的三元组数量也极为庞大。我们的安全三元组筛选能识别可从优化问题中安全移除的三元组，且不损失最优性。与现有的安全筛选研究相比，三元组筛选尤为重要，原因在于(1)可能的三元组数量巨大，以及(2)优化中的半正定约束。我们推导了若干筛选规则的变体，并分析了它们之间的关系。在基准数据集上的数值实验证明了安全三元组筛选的有效性。
引用
@article{arxiv.1802.03923,
title = {Safe Triplet Screening for Distance Metric Learning},
author = {Tomoki Yoshida and Ichiro Takeuchi and Masayuki Karasuyama},
journal= {arXiv preprint arXiv:1802.03923},
year = {2018}
}
备注
36 pages, 12 figures