利用线性变换进行度量和核学习
本篇论文提出一种新的核函数以及一种新的编辑相似性模型,可以更好地优化距离和相似度函数,提高 k 近邻算法的性能,并在学习相似性时考虑到泛化能力与算法的稳定性, 解决了当前度量学习方法的局限性,为特征向量和结构化对象(如字符串或树)的度量学习提供了新方法。
Jul, 2013
本文提出了一种基于连续凸损失优化的简单优雅方法,用于线性距离度量学习,并针对不同的噪声模型推导了相应的损失函数。研究结果表明,即使数据存在噪声,只要样本充足就可以学习到地面事实线性度量,并提供相应的样本复杂度限制。此外,我们还提出了一种有效地将学习模型截断为低秩模型的方法,该方法可证明在损失函数和参数方面都能保持准确性,这是该领域首次出现这种结果。实验结果表明了理论结果的正确性。
Jun, 2023
本文提出了一种将大规模非度量差异矩阵转换为近似正半定核矩阵的有效而准确的技术,该技术结合了 Nystroem 逼近、潜在双中心化和特征值修正,并在几个大规模差异数据集上进行了实验。
Nov, 2014
本文介绍了关于迁移测度学习的分类和度量传递策略,包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时,总结和探讨了迁移测度学习的不同方法及其应用,并指出了未来可能的研究方向和挑战。
Oct, 2018
提出了一种学习跨多个不同领域数据集应用的传输度量的框架,在使用基于嵌入空间的指定聚类的情况下,在少量训练集和浅层网络的情况下,我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。
Feb, 2023
本文介绍一种新的参数化定向 metric 学习方法,通过学习数据流形上的平滑 metric 矩阵函数,将本地度量作为区域不同点的锚定点上定义的基本度量的线性组合来学习,并应用 manifold 正则化来使学习到的 metric 矩阵函数沿着数据流形的测地线平滑变化,表现出极好的预测能力和可扩展性,并优于多种全局和局部的最先进的度量学习方法以及具有自动内核选择的支持向量机 (SVM)。
Sep, 2012
本文系统地综述了度量学习的前沿研究进展,着重分析了 Mahalanobis 距离度量学习、非线性度量学习、局部度量学习等新近涌现的强大替代方法,讨论了对于结构化数据的度量学习中仍存在的挑战,旨在给出度量学习近年来的发展方向。
Jun, 2013
本文探讨将三种流行的马氏度量学习算法作为预处理程序,在支持向量机(SVM)- RBF 分类器上的作用。结果表明,这种算法效果并不理想。作者提出一种新的算法 —— 支持向量度量学习(SVML),它无缝地将 Mahalanobis 度量的学习与 RBF-SVM 参数的训练相结合。实验证明,SVML 在精度方面优于所有替代方法,并成为交叉验证选择模型的标准欧几里得度量的严肃替代方案。
Aug, 2012
本教程提供了关于距离度量学习的理论基础和基础知识,以及最常见算法的全面实验分析,重点考虑降维和核化,在标准分类问题中评估所有算法的能力,并讨论了这个领域的未来前景和挑战。
Dec, 2018