Oct, 2022

无放弃对：通过规则三元组目标改进度量学习

PDF
TL;DR提出了一种新的三元组目标函数的表达方式，明确规范化了三元组中正负特征之间的距离与主干网之间的距离，这种方法在基准数据集上和大规模医疗保健数据集 (UK Biobank) 上的表现均优于传统和现有的三元组目标函数表达方式，并已通过在健康风险预测中的实际应用，展示了指标学习在更复杂应用中的潜在影响。
metric learningtriplet objectiveembeddinghealthcare datasethealth risk prediction
发现论文，激发创造
  • 提高协同度量学习效率的负样本采样优化

    本文提出了一种针对距离度量学习的负采样策略，在推荐方面获得了不错的准确度和普及性偏差表现。该策略使得 CML 模型即使在批处理大小比默认采样策略需要的批处理大小小一个数量级的情况下，仍然能够高效地工作。

    Sep, 2019

  • 联合三元组损失学习用于下一个新 POI 推荐

    为了解决训练用户偏好时，用户 - 兴趣点矩阵的稀疏问题，我们提出了一个名为 JTLL 的 Joint Triplet Loss Learning 模块，通过用户历史访问序列计算附加训练样本，使用三元组损失来减少和增加 POI 和用户嵌入之间的距离，并与最近的方法联合训练以学习未访问的关联，实验结果表明 JTLL 模块能够提高现有工作的性能。

    Sep, 2022

  • 基于边际三元组嵌入的对抗学习正则化

    本研究提出了一种方法来提高深度神经网络的鲁棒性，即将基于局部平滑特征空间的三元组嵌入正则化术语整合到分类目标中，该正则化术语由两步优化组成，可以通过明显的大 Margin 惩罚来找到潜在的扰动。在实验中，我们的方法在 MNIST，CASIA-WebFace，VGGFace2 和 MS-Celeb-1M 数据集上的表现证明了其增强了网络对特征和标签对抗攻击的鲁棒性。

    Sep, 2019

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • 理论上完整的三元组损失上界，以提高深度距离度量学习的效率

    本文提出了一种新的线性损失函数来优化深度距离度量学习中的三元组损失函数，无需使用类别中心点最优化步骤，并有了实际运行时间复杂度为线性的算法。该方法在基准数据集上达到了竞争性的检索准确性结果。

    Apr, 2019

  • 深度度量学习的多层距离正则化

    本文介绍了一种用于深度度量学习的新型基于距离的正则化方法，即多级距离正则化，可以使嵌入向量之间的成对距离受到多个级别的限制，并对训练过程进行了详细描述以及性能分析。

    Feb, 2021

  • SoftTriple Loss: 无需三元组采样的深度度量学习

    通过使用 SoftTriple loss 函数中每一个类别拥有多个中心的方式，可优化浅层距离计量学习算法，而无需采样。

    Sep, 2019

  • 深度度量学习的智能挖掘

    本文提出了一种新颖的深度度量学习方法，该方法将三元组模型和嵌入空间的全局结构相结合，依赖于智能挖掘过程以在低计算成本下产生有效的训练样本，通过自适应控制器来加快训练过程的收敛速度，并在实验证明相比其他竞争挖掘方法，我们的方法可以更快地进行更准确的三元组 ConvNets 训练，同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。

    Apr, 2017

  • 使用三元组网络进行深度度量学习

    本文提出了三元组网络模型，通过距离比较来学习有用的表示方法，在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法，而且还探讨了其作为无监督学习框架的未来可能用途。

    Dec, 2014

  • 利用易于处理的正样本三元组挖掘改进嵌入

    该文章提出一种称之为 “Easy Positive” mining 的松散的嵌入策略，并利用实验和可视化方法证明了这种方法可以获得更灵活、泛化性更好的嵌入，可能为图像检索领域带来新的进展。

    Apr, 2019