Learning local metrics from pairwise similarity data

ما مشکل یادگیری یک تابع شباهت را از مجموعه ای از جفت داده های برچسب دار باینری مطالعه می کنیم. رویکرد رایج این است که یک تابع مشابه را یاد بگیریم که یک فرم دوتایی است که مربوط به جفت نقاط داده است. ما استدلال می کنیم که این کلاس هنگام اداره مجموعه داده های ناهمگونی خیلی محدود است. برای غلبه بر این محدودیت، تکنیک های یادگیری متریک محلی در ادبیات مورد حمایت قرار گرفته است. با این حال، آنها محدودیت های خاصی را برای جلوگیری از استفاده آنها در بسیاری از برنامه های کاربردی دارند. به عنوان مثال، آنها نیاز به دانستن برچسب کلاس از امتیازات آموزشی دارند. در این مقاله، ما یک روش یادگیری متریک محلی ارائه می کنیم که این محدودیت ها را برطرف می کند. این روش ابتدا یک مدل مخلوط گاووس را بر روی داده های آموزشی راه اندازی می کند. سپس مجموعه ای از معیارهای محلی را تخمین می زند و به طور همزمان پارامترهای مخلوط را بهبود می بخشد. در نهایت، یک تابع شباهت با جمع آوری معیارهای محلی به دست می آید. ما همچنین یک اصطلاح قانونی جدید معرفی می کنیم که در یک محیط یادگیری انتقال خوب عمل می کند. آزمایش های ما نشان می دهد که روش پیشنهادی نتایج پیشرفته ای را در چندین مجموعه داده های واقعی به دست می آورد.