Sparse Bayesian similarity learning based on posterior distribution of data

یک چالش عمده در تشابه / آموزش از راه دور، دستیابی به یک معیار قوی است که نزدیک به مفاهیم انسان از شباهت است. این مقاله نشان می دهد که چرا توجه به توزیع داده ها می تواند یک معیار شباهت بیشتر باشد. علاوه بر این، کار فعلی هر دو روش اندازه گیری شباهت های مقیاس پذیر جدید را براساس توزیع خلفی داده ها معرفی می کند و یک الگوریتم عملی ارائه می دهد که اندازه گیری پیشنهادی را از داده ها می آموزد. به منظور مقیاس پذیری در این الگوریتم، داده های مشاهده شده فرض می شود که از متغیرهای پنهان کم بعدی که نزدیک به چندین زیر فضای هستند، حاصل می شود. مزایای دیگر روش پیشنهادی در حال حاضر عبارتند از: (1) ارائه یک روش اصولی برای ترکیب معیارهای در محاسبه شباهت بین نمونه های جدید، بر خلاف روش های یادگیری محلی متریک. (2) به طور خودکار شناسایی ابعاد واقعی زیرپوشه های پنهان، با تعریف صحیح مناسب بر روی پارامترهای سیستم از طریق یک چارچوب بیزی. (3) یافتن یک طرح بهتر برای زیربناهای بعدی کم، با یادگیری سر و صدا از متغیرهای پنهان در این زیرموها. روش حاضر در مجموعه داده های مختلفی از برنامه های کاربردی مانند ارزیابی چهره، رقم دست نوشته و تشخیص حرف، تشخیص نفوذ شبکه و طبقه بندی تصویر ارزیابی می شود. نتایج تجربی تأیید می کنند که روش پیشنهادی از دیگر روش های یادگیری متریک در هر دو حالت کوچک و بزرگ استفاده می کند.