Introduction to Distance Metric Learning

Introduction to Distance Metric Learning

課程: 論文研討(一)
日期 : 2012/12/21
時間 : 13:50 ~ 15:30
學生 : 資傳研一 周書暐
演講者 : 海洋大學資訊工程學系 張欽圳

       

　　已有單類分類算法通常採用歐氏測度描述樣本間相似關係，然而歐氏測度有時難以較好地反映一些數據集樣本的內在分佈結構，為此提出一種用於改善單類分類器描述性能的高維空間單類數據距離測度學習算法，與已有距離測度學習算法相比，該算法只需提供目標類數據，通過引入樣本先驗分佈正則化項和L1範數懲罰的距離測度稀疏性約束，能有效解決高維空間小樣本情況下的單類數據距離測度學習問題，並通過採用分塊協調下降算法高效的解決距離測度學習的優化問題。學習得到的距離測度能容易地嵌入到單類分類器中，仿真實驗結果表明採用學習得到的距離測度能有效改善單類分類器的描述性能，特別能夠改善覆蓋分類的描述能力，從而使得單類分類器具有更強的推廣能力。

        現有一類分類算法通常採用經典歐氏測度描述樣本間相似關係，然而歐氏測度不能較好地反映一些數據集樣本的內在分佈結構，從而影響這些方法對數據的描述能力，提出一種用於改善一類分類器描述性能的高維空間一類數據距離測度學習算法，與已有距離測度學習算法相比，該算法只需提供目標類數據，通過引入樣本先驗分佈正則化項和L1範數懲罰的距離測度稀疏性約束，能有效解決高維空間小樣本情況下的一類數據距離測度學習問題，並通過採用分塊協調下降算法高效的解決距離測度學習的優化問題。學習的距離測度能容易的嵌入到一類分類器中，仿真實驗結果表明採用學習的距離測度能有效改善一類分類器的描述性能,特別能夠改善SVDD的描述能力，從而使得一類分類器具有更強的推廣能力。