迁移度量学习：算法、应用与展望
机器学习
2018-11-13 v3 机器学习
摘要
距离度量学习（DML）旨在找到揭示底层数据关系的恰当方式。它在许多机器学习、模式识别与数据挖掘算法中至关重要，通常需要大量标签信息（如类别标签或成对/三元组约束）以达到满意性能。然而，由于高标注成本，现实应用中的标签信息可能不足，DML 在此情况下可能失效。迁移度量学习（TML）能够通过利用来自其他相关领域（源领域）的知识/信息，缓解目标领域 DML 的这一问题。尽管已取得一定发展，TML 在选择性迁移、理论理解、处理复杂数据、大数据与极端情形等多方面成功有限。本综述对 TML 文献进行系统回顾。特别地，我们根据不同设定与度量迁移策略（如直接度量近似、子空间近似、距离近似与分布近似）将 TML 分组。我们将呈现对各种 TML 方法及其应用的小结与深入讨论。最后，我们指出若干挑战并提供可能的未来方向。
引用
@article{arxiv.1810.03944,
title = {Transfer Metric Learning: Algorithms, Applications and Outlooks},
author = {Yong Luo and Yonggang Wen and Ling-Yu Duan and Dacheng Tao},
journal= {arXiv preprint arXiv:1810.03944},
year = {2018}
}
备注
14 pages, 5 figures