Odborná definícia
Význam a odborné vymedzenie pojmu
Metric learning je učenie reprezentácie alebo vzdialenostnej funkcie tak, aby geometrická blízkosť zodpovedala požadovanej sémantickej podobnosti. Tréning využíva páry, trojice alebo skupiny príkladov a straty, ktoré priťahujú súvisiace vzorky a oddeľujú nesúvisiace. Výsledkom môže byť lineárna Mahalanobisova metrika alebo neurónový embedding. Úspech závisí od stratégie výberu pozitívnych a negatívnych príkladov, definície podobnosti, normalizácie vektorov a evaluácie na nových identitách či triedach.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Bežná vzdialenosť medzi surovými dátami nemusí zodpovedať tomu, čo človek považuje za podobné. Dve fotografie tej istej osoby môžu mať odlišné pozadie a osvetlenie, no systém ich má uložiť blízko seba. Metric learning sa učí priestor, v ktorom sa rozhodujúce vlastnosti zvýraznia a rušivé rozdiely potlačia. Potom možno použiť najbližších susedov, vyhľadávanie alebo prah podobnosti. Kvalita však závisí od toho, aké páry model videl a či negatívne príklady reprezentujú reálne zámenné prípady.
Časté otázky
Otázky, ktoré spresňujú význam
Čo je contrastive loss?
Pracuje s pármi. Pozitívne páry približuje, negatívne oddeľuje aspoň o stanovený margin, pričom výsledok závisí od definície párov a vzdialenosti.
Ako funguje triplet loss?
Porovnáva anchor, pozitívny a negatívny príklad. Cieľom je, aby bol anchor bližšie k pozitívnemu než k negatívnemu o zvolenú rezervu.
Prečo sú hard negatives dôležité?
Ľahké negatíva už model oddeľuje bez námahy a poskytujú slabý gradient. Ťažké negatíva odhaľujú jemné hranice, no nesprávne označené môžu tréning poškodiť.
Ako sa hodnotí naučený embedding?
Pomocou retrieval metrík, verifikácie pri rôznych prahoch, klasifikácie najbližším susedom a testu na identitách alebo triedach, ktoré neboli v tréningu.
Je cosine similarity vždy vhodná?
Nie. Výber závisí od normalizácie a tréningovej straty. Ak bol model optimalizovaný pre inú geometriu, cosine môže meniť poradie susedov neželaným spôsobom.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- Kulis, Metric Learning: A Survey
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.