阈值自动调谐的度量学习
机器学习
2018-02-14 v2 机器学习
摘要
已有反复报道表明，距离度量的判别性学习可提升模式识别性能。基于 ITML 的方法的一个弱点是，相似/不相似约束的距离阈值必须手动确定，且对泛化性能敏感，尽管此类方法享有可应用 Bregman 投影框架优化距离度量的优势。本文提出一种新的度量学习算法形式化，其中距离阈值被一同优化。由于优化仍位于 Bregman 投影框架内，可应用 Dykstra 算法进行优化。每次迭代中需解一个非线性方程以将解投影到半空间。朴素方法求解该非线性方程需耗时 。本研究发现了一种可在 内求解该非线性方程的高效技术。我们已证明根存在且唯一。我们通过实验表明，所提度量学习算法的模式识别精度与现有度量学习方法相当，但其距离阈值为自动调谐。
关键词
引用
@article{arxiv.1801.02125,
title = {Threshold Auto-Tuning Metric Learning},
author = {Yuya Onuma and Rachelle Rivero and Tsuyoshi Kato},
journal= {arXiv preprint arXiv:1801.02125},
year = {2018}
}