摘要：问题： 度量学习中的优化问题，移动方向。研究现状： 从本质上讲，学习度量空间可以简化为找到一个嵌入空间，从而使同一类别/类别的样本（正样本）相互映射到彼此接近的点，同时确保根据定义的距离度量的某些概念最大程度地分离不同类别的样本（负样本）为空间。 从本质上讲，以往的所有方法都是设计一种好的采样策略或者优化损失函数。然而，优化方向还没有人考虑过。仅将负样本沿所考虑的当前样本（锚）最远的方向推动... 阅读全文

摘要：1.主要问题 基于图的半监督分类，图嵌入+度量学习 2.研究现状 在半监督学习（SSL）中，少量标记的样本与相对大量的未标记样本一起用于分类。在现有的半监督学习模型中，基于图的方法（例如图卷积网络和标签传播）已被证明是半监督分类的最有效方法之一，因为它们能够利用标记和未标记样本之间的连通性模式改善分 阅读全文

摘要：问题： 深度度量学习，损失函数设计。 研究现状总结： 深度度量学习中的一个关键问题是损失函数设计。已经提出了多种损失函数，例如contrastive loss , binomial deviance loss , margin loss , lifted-structure (LS) loss , 阅读全文

摘要：问题：度量学习中的优化问题，移动方向。研究现状：从本质上讲，学习度量空间可以简化为找到一个嵌入空间，从而使同一类别/类别的样本（正样本）相互映射到彼此接近的点，同时确保根据定义的距离度量的某些概念最大程度地分离不同类别的样本（负样本）为空间。从本质上讲，以往的所有方法都是设计一种好的采样策略或者优化 阅读全文

摘要：主要问题: 深度度量学习的损失函数。 研究现状总结 从历史上看，性能最佳的方法从所谓的Siamese网络中获得深层特征嵌入，通常使用对比损失(contrastive loss)或三重损失(triplet loss)对其进行训练。这些损失的明显缺点是，它们仅考虑成对的数据点或三重数据点，缺少有关min 阅读全文

摘要： 阅读全文