Python 中的度量学习算法

Aug, 2019

metric-learn: Metric Learning Algorithms in Python

William de Vazelhes, CJ Carey, Yuan Tang, Nathalie Vauquier, Aurélien Bellet

TL;DR该研究论文介绍了 metric-learn 这个开源 Python 包，它实现了有监督和弱监督距离度量学习算法，并提供了与 scikit-learn 兼容的统一接口，方便进行交叉验证、模型选择和管道处理。metric-learn 经过了充分的测试，并且在 MIT 许可证下在 PyPi 上提供。

Abstract

metric-learn is an open source python package implementing supervised and weakly-supervised distance metric learning algorithms. As part o

metric-learn python distance metric learning machine learning supervised learning

发现论文，激发创造

PyTorch 度量学习

PyTorch Metric Learning 是一个开源库，旨在为研究人员和实践者消除实现深度度量学习算法所需的麻烦和耗时，并且其模块化和灵活的设计允许用户在现有代码中轻松尝试不同算法的组合，并提供完整的训练 / 测试工作流程。

Aug, 2020

度量学习实现飞机环境影响分割

本研究采用经典的度量学习公式和新颖组件对航空环境影响建模进行了弱监督学习，取得了显著的改进，可更有效准确地建模飞机环境影响，这项工作还展示了度量学习在类似运输领域中的潜力和价值。

Jun, 2023

Python 中的机器学习：Scikit-learn

Scikit-learn 是一个 Python 模块，集成了各种最先进的机器学习算法，用于解决中等规模的监督和无监督问题，旨在将机器学习带给非专业人士使用通用高级语言，注重易用性，性能和一致的 API。

Jan, 2012

特征向量和结构化数据的度量学习综述

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

不均衡数据中的度量学习

研究了机器学习算法的度量函数以及度量学习算法，提出了一种处理类别不平衡的 Mahalanobis 度量学习算法 (IML)，并证明了其有效性。

Sep, 2019

利用线性变换进行度量和核学习

本文研究了在高维数据情况下的度量学习问题，提出了一种基于 LogDet 距离的学习线性变换的框架，并证明了它可以被有效地核化以学习任意高维空间中的度量，同时还可以将广泛类别的凸损失函数类似地核化，以扩展度量学习的潜在应用。同时，我们证明了这种方法在计算机视觉和文本挖掘等真实世界问题中的有效性。

Oct, 2009

具有泛化保证的监督度量学习

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

核机器距离度量学习

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

学习深度度量学习中的批内关联

本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。

Feb, 2021

基于度量学习的图形标签传播方法

提出了一种算法，旨在学习最适合构建图的向量表示，以便在其上有效地解决半监督算法的任务。

Nov, 2015