基于 Schatten p-范数的监督式类别度量学习
机器学习
2020-02-27 v1 机器学习
摘要
度量学习在学习适应数值数据集的新度量方面已取得成效。然而,其在类别数据上的发展仍需进一步探索。本文提出一种称为 CPML(即类别投影度量学习,categorical projected metric learning)的方法,试图高效(即更短计算时间与更高预测精度)地解决类别数据中的度量学习问题。我们利用值距离度量(Value Distance Metric)来表示数据,并基于此表示提出新的距离。随后我们展示了如何高效地学习新度量。我们还通过 Schatten -范数推广了若干先前的正则化项,并给出了一个补充度量学习标准泛化界的泛化界。实验结果表明我们的方法提供了
引用
@article{arxiv.2002.11246,
title = {Supervised Categorical Metric Learning with Schatten p-Norms},
author = {Xuhui Fan and Eric Gaussier},
journal= {arXiv preprint arXiv:2002.11246},
year = {2020}
}