Odborná definice
Význam a odborné vymezení pojmu
Metric learning je učení reprezentace nebo vzdialenostnej funkce tak, aby geometrická blízkost zodpovedala požadované sémantickej podobnosti. Trénink využívá páry, trojice nebo skupiny příkladů a ztráty, které priťahují související vzorku a oddelují nesúvisiace. Výsledkem může být lineární Mahalanobisova metrika nebo neuronový embedding. Úspěch závisí na strategie výběru pozitivních a negativních příkladů, definice podobnosti, normalizace vektorů a evaluace na nových identitách či třídách.
Srozumitelné vysvětlení
Jak se pojem používá v praxi
Běžná vzdálenost mezi surovými daty nemusí odpovídat tomu, co člověk považuje za podobné. Dvě fotografie té určité osoby mohou mít odlišné pozadí a osvetlení, ale systém jejich má uložit blízko sebe. Metric learning se učí prostor, ve kterém se rozhodující vlastnosti zvýraznia a rušivé rozdíly potlačia. Potom lze použít nejbližších sousedů, vyhledávání nebo práh podobnosti. Kvalita však závisí na toho, jaké páry model videl a či negativně příklady reprezentují reálně zámenné případy.
Časté otázky
Otázky, které upřesňují význam
Co je contrastive loss?
Pracuje s pármi. Pozitivně páry přibližuje, negativně oddeluje aspoň o stanovený margin, přičemž výsledek závisí na definice párů a vzdálenosti.
Jako funguje triplet loss?
Porovnává anchor, pozitivní a negativní příklad. Cílem je, aby byl anchor bližšie k pozitívnemu než k negatívnemu o zvolenou rezervu.
Proč jsou hard negatives důležité?
Lahké negatíva už model oddeluje bez námahy a poskytují slabý gradient. Těžké negatíva odhalují jemné hranice, ale nesprávně označené mohou trénink poškodit.
Jak se hodnotí naučený embedding?
Pomocí retrieval metrik, verifikace při různých prahoch, klasifikace najbližším susedom a testu na identitách nebo třídách, které neboli v tréninku.
Je cosine similarity vždy vhodná?
Ne. Výběr závisí na normalizace a tréninkové ztráty. Pokud byl model optimalizovaný pro jinou geometrii, cosine může měnit pořadí sousedů neželaným způsobem.
Související pojmy
Významové a tematické souvislosti
Zdroje a redakční stopa
Použitá východiska a odborná revize
- 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.