度量学习算法的性能在很大程度上受样本构建的约束影响,通常情况下由难样本构造的约束越多模型性能会越好,但目前大部分度量学习算法挖掘到的难样本非常少,从而导致学习的度量判别力不高。为了解决这一问题,文章提出了一种动态生成难样...度量学习算法的性能在很大程度上受样本构建的约束影响,通常情况下由难样本构造的约束越多模型性能会越好,但目前大部分度量学习算法挖掘到的难样本非常少,从而导致学习的度量判别力不高。为了解决这一问题,文章提出了一种动态生成难样本的度量学习算法(metric learning algorithm for dynamically generating of hard sample,SGML),算法主要思想是在数据集原有的异类样本中间生成新样本,以此生成的样本更难区分,从而提升模型的判别力。在UCI数据集上进行准确率以及参数灵敏度分析的相关实验,结果表明SGML算法可以提升模型的判别力和健壮性。展开更多
文摘度量学习算法的性能在很大程度上受样本构建的约束影响,通常情况下由难样本构造的约束越多模型性能会越好,但目前大部分度量学习算法挖掘到的难样本非常少,从而导致学习的度量判别力不高。为了解决这一问题,文章提出了一种动态生成难样本的度量学习算法(metric learning algorithm for dynamically generating of hard sample,SGML),算法主要思想是在数据集原有的异类样本中间生成新样本,以此生成的样本更难区分,从而提升模型的判别力。在UCI数据集上进行准确率以及参数灵敏度分析的相关实验,结果表明SGML算法可以提升模型的判别力和健壮性。
