WWWApr, 2021

自适应度量学习的研究

PDF
TL;DR本文提出了一种新的自适应度量学习框架，其通过基于 ANN 的度量学习来自适应地学习模型复杂度，并且通过自适应约束的流来进行学习，并通过 Adaptive-Bound Triplet Loss（ABTL）利用输入的约束，通过 Adaptive Hedge 更新（AHU）方法在线更新模型参数，我们在真实世界的图像分类，面部验证和图像检索等各种应用中验证了我们框架的有效性和功效。
adaptive metric learningann-based metriconline learningtriplet lossmodel updating
发现论文，激发创造
  • 学习度量的非参数在线回归

    研究在线非参数回归算法，可以学习回归函数平滑的方向；基于回归函数梯度外积矩阵 G，学习 Mahalanobis 度量（可以自适应 G 矩阵的有效秩），同时考虑到 G 的频谱，限制在相同数据序列上的遗憾；作为分析的初步步骤，将 Hazan 和 Megiddo 的非参数在线学习算法扩展，使其能够竞争相对于任意 Mahalanobis 度量计量 Lipschitzness 的函数。

    May, 2017

  • 可扩展的大边界马氏距离度量学习

    本文提出一种快速且可扩展的机器学习算法，用于学习马氏距离指标，并利用凸优化原理和梯度下降方法解决距离度量问题，实现在计算复杂性方面的显著提高，达到与现有方法相当的分类准确度。

    Mar, 2010

  • 自适应损失对齐解决损失度量不匹配问题

    通过元学习自适应损失函数直接优化了评估指标，提出了一种样本高效的强化学习方法来动态调整损失，证明了这种方法在度量学习和分类场景下优于现有技术，并具有良好的通用性。

    May, 2019

  • 在线自动机器学习：一种适用于在线学习的自适应自动机器学习框架

    本研究旨在针对数据漂移自动设计在线学习的管道，将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来，我们基于异步遗传编程和异步连续缩减思路优化管道，实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力，连续管道重新设计在处理数据漂移问题时效果显著。

    Jan, 2022

  • 去噪多相似度公式：鲁棒性度量学习的自适应计划驱动方法

    本文提出了基于自适应采样的均衡自适应度量学习（BSPML）算法，该算法采用去噪多相似度计算，并将噪声样本作为极其困难的样本，并根据样本权重自适应删除样本以提高模型的稳健性和泛化能力。

    Nov, 2022

  • 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

  • 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

  • 自适应密度判别度量学习

    本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

    Nov, 2015

  • 时序对齐的度量学习

    本文旨在提出一种学习马氏距离来执行多变量时间序列对齐的方法，并将对齐问题作为结构预测任务来解决，提出了可行的优化方法在真实数据上进行实验证明此方法能够有效地提升对齐性能，并在基本音频特征的基础上提供了一种构建更好性能的特征组合的方法。

    Sep, 2014

  • 在线自适应马氏距离估计

    本文介绍了在 Mahalanobis 距离中应用草图技术加速算法的研究，提供了适用于 Mahalanobis 距离的数据结构，可处理自适应查询和在线更新，并与在线学习 Mahalanobis 度量的先前算法相结合。

    Sep, 2023