Metric Learning

释义 Definition

度量学习：一种机器学习方法，目标是学习一个“距离/相似度”的度量方式（或把数据映射到一个向量空间），使得相似的样本更接近、不相似的样本更远，常用于检索、推荐、人脸识别、聚类与分类等任务。（该术语在不同语境下也可泛指学习“距离函数/相似度函数”的方法。）

发音 Pronunciation (IPA)

/ˈmɛtrɪk ˈlɝːnɪŋ/

例句 Examples

Metric learning helps the model tell similar images apart from different ones.
度量学习帮助模型把相似的图像与不同的图像区分开来。

By training with triplet loss, metric learning produces embeddings where samples of the same class cluster tightly while different classes are separated by large margins.
通过使用三元组损失进行训练，度量学习会得到一种嵌入表示：同类样本在空间中紧密聚集，而不同类别之间被较大的间隔分开。

词源 Etymology

“Metric”源自“measure（测量）”的概念，在数学与统计中常指度量/距离；“learning”指通过数据来学习规则或函数。合起来，“metric learning”就是从数据中学习一个更合适的距离（或相似度）定义，以便更好地表达“哪些东西更像”。

相关词 Related Words

• Contrastive Learning
• Triplet Loss
• Siamese Network
• Embedding
• Representation Learning
• Distance Metric
• Mahalanobis Distance
• Nearest Neighbor
• Clustering
• Similarity

文学/著作中的用例 Literary & Notable Works

• Distance Metric Learning for Large Margin Nearest Neighbor Classification（Weinberger & Saul, 2009）
• Learning a Similarity Metric Discriminatively, with Application to Face Verification（Chopra, Hadsell & LeCun, 2005）
• Deep Metric Learning Using Triplet Network（Hoffer & Ailon, 2015）
• FaceNet: A Unified Embedding for Face Recognition and Clustering（Schroff, Kalenichenko & Philbin, 2015）
• Deep Learning（Goodfellow, Bengio & Courville, 2016；相关章节与概念中常提到度量/表示学习与相似性学习）