(论文阅读笔记1)Collaborative Metric Learning(二)（WWW2017）

最新推荐文章于 2023-07-12 01:39:18 发布
最新推荐文章于 2023-07-12 01:39:18 发布
阅读量1.7k 收藏 2
点赞数
分类专栏： 机器学习 最优化 文章标签： 协同度量学习 论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chunyun0716/article/details/77430652
版权

三、协同度量学习

    这一部分，我们讨论CML作为一种更自然的方法获得关联关系。CML的思路是这样的：我们在已知正例关系的user-item集合 S 上建立一个隐性反馈模型，并且学习user-item的距离作为他们的关系。学习到的距离使得 S 中的对更加紧密，而 S 之外的user-item对相对的远离。这个处理过程，源于三角不等性。也可以聚类：喜欢相同item的users，同一user喜欢的一些items。换句话说，通过学习度量可以获得已知的正例关系，这个关系不仅是user-item之间，而且包含user-user和item-item，而这是我们不能直接通过观察得到的。

3.1 Model Formulation

    

_Kevin_Duan_
关注
专栏目录
Metric Learning原理与代码实例讲解
程序员光剑
06-20 798
Metric Learning原理与代码实例讲解 1. 背景介绍 度量学习（Metric Learning）是机器学习领域的一个重要分支，它的核心目标是通过学习找到一个合适的距离度量，使得数据在新的度量空间中具有更好的可分性。在诸如图像识别、推荐系统、自然语言处理等领域，度
度量学习 (Metric Learning)（一）
Nehemiah_Li的专栏
03-12 4万+
度量学习（Metric Learning） 度量（Metric）的定义  在数学中，一个度量（或距离函数）是一个定义集合中元素之间距离的函数。一个具有度量的集合被称为度量空间。 1 为什么要用度量学习？ 很多的算法越来越依赖于在输入空间给定的好的度量。例如K-means、K近邻方法、SVM等算法需要给定好的度量来反映数据间存在的一些重要关系。这一问题在无监督的方法（如聚类）中尤为明显。举一
(论文阅读笔记1)Collaborative Metric Learning(一)（WWW2017）
chunyun0716的专栏
07-31 2865
一、摘要    度量学习算法产生的距离度量捕获数据之间的重要关系。这里，我们将度量学习和协同过滤联系起来，提出了协同度量学习（CML），它可以学习出一个共同的度量空间来编码用户偏好和user-user 和 item-item的相似度。二、背景2.1 Metric Learning     令χ={x1,x2,…,xn}\chi = \{x_1, x_2,\dots, x_n\}是空间Rm\mathb
8、Collaborative Metric Learning
weixin_33980459的博客
10-19 224
一、摘要： 文章的核心思想：是如何把Metric learning 和 CF结合起来从而达到更好的推荐效果。 提出了CML（Collaborative Metric Learning），其学习一个联合度量空间，不仅编码用户的偏好，而且编码用户-用户和项目-项目的相似性。 假设用户和物品可以放到低维空间，并且可以使用满足不等式性质的欧式距离来度量他们之间的距离。 将ML和CF结合的原因...
机器学习: Metric Learning (度量学习)
JNing
06-10 2万+
[1] Wikipedia-距离函数 [2] DistLearnKit [3] 基于深度学习的Person Re-ID（度量学习） [4] 度量学习 [5] 度量学习（Distance Metric Learning）介绍
[论文笔记] Improving Collaborative Metric Learning with Efficient Negative Sampling
THOOOR的博客
08-19 244
论文笔记 Improving Collaborative Metric Learning with Efficient Negative Sampling (arxiv.org) Improving Collaborative Metric Learning for Recommendation by a 2-stage negative sampling strategy. (github.com) 基于三元组损失的距离度量学习已成功应用于广泛的应用中，例如人脸识别、图像检索、说话人变化检测以及最近使.
Collaborative Metric Learning——paper 笔记
wang2008start的专栏
07-23 1379
  Collaborative Metric Learning 协同过滤（回顾和复习了CF，基于模型的CF是用矩阵分解实现的，loss为评分矩阵和新构建的评分矩阵的平方差，用梯度下降进行优化学习）。这里是主要提出了三角不等式（两对pairwise节点的距离之和大于这两个节点的直接距离，隐含：如果x相似与y和z，那么y和z本身也是相似的，相似传递性），在矩阵分解的基础上，使用pairwise格式的...
计算机视觉笔记七：Person Re-Identification With Metric Learning Using Privileged Information
乱七八糟的笔记
05-31 1486
TIP2018的right @IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 27, NO. 2, FEBRUARY 2018吸引我的是其中应用的metric learning。我一直以为，metric learning其实和传统的dense prediction以及各种CNN背后的东西是一致的。你现在有这些东西，比方说一堆图片，那么机器怎么看待它们之间的差...
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
关于cross-domain recommendation的论文阅读笔记
like_red的博客
08-19 5785
阅读笔记，持续更新… 1、只用到了rating matrix进行建模 《DARec: Deep DomainAdaptation for Cross-Domain Recommendation via Transferring Rating Patterns》 user/item的representation从AutoEncoder中得到（AutoEncoder的缺点是，当数据量非常稀疏的时候，...
Metric Learning A Survey
01-09
The metric learning problem is concerned with learning a distance function tuned to a particular task, and has been shown to be useful when used in conjunction with nearest-neighbor methods and other techniques that rely on distances or similarities. This survey presents an overview of existing research in metric learning, including recent progress on scaling to high-dimensional feature spaces and to data sets with an extremely large number of data points. A goal of the survey is to present as unified as possible a framework under which existing research on metric learning can be cast. The first part of the survey focuses on linear metric learning approaches, mainly concentrating on the class of Mahalanobis distance learning methods. We then discuss nonlinear metric learning approaches, focusing on the connections between the nonlinear and linear approaches. Finally, we discuss extensions of metric learning, as well as applications to a variety of problems in computer vision, text analysis, program analysis, and multimedia.
pytorch-metric-learning：在应用程序中使用深度度量学习的最简单方法。 模块化，灵活和可扩展。 用PyTorch写
02-03
新闻 1月12日：v0.9.96大大提高了和的灵活性。 查看 12月10日：v0.9.95包括一个新的元组采矿器 。 查看 11月6日：v0.9.94中有一些小错误修复和改进。 文献资料 Google Colab示例 请参阅 以获取可以在Google Colab上下载或运行的笔记本的 。 PyTorch公制学习概述 该库包含9个模块，每个模块都可以在您现有的代码库中独立使用，或组合在一起以形成完整的培训/测试工作流程。 损失函数如何工作 在训练循环中使用损失和矿工 让我们初始化一个简单的 ： from pytorch_metric_learning import losses loss_func = losses . TripletMarginLoss () 要在训练循环中计算损失，请传递模型计算的嵌入以及相应的标签。 嵌入的大小应为（N，embedding_size），标签的大小应为（N），其中N为批处理大小。 # your training loop for i , ( data , labels ) in enumerate ( dataloader ): optimiz
机器学习: Metric Learning (度量学习) 学习笔记
04-01
目前，机器学习中的K近邻(KNN)分类算法和支持向量机(SVM)算法被认为是处理文本分类的最好方法。但KNN分类算法有以下的缺陷： KNN是基于近邻度量的一种模式分类算法，它高度依赖于数据间的相似度度量，简单的欧式距离在实际应用时，由于不考虑不同维度之间对分类的影响以及输入数据数据维数高的问题，往往不能取得良好的分类效果。 KNN 分类算法虽然可以一定情况下克服数据偏斜带来的分类误差，但是这也是造成它对样本密度分布敏感的主要原因，当类间密度高度分布不均时，分类效果会有较大的影响。
Co-metric: A Metric Learning Algorithm for Data with Multiple Views
02-09
We address the problem of metric learning for multi-view data. Up to date, though many metric learning algorithms have been successfully proposed, most of them focus just on single view circumstances, and only a few works deal with multi-view data. In this paper, motivated by the co-training framework, we propose an algorithm-independent framework, named co-metric, to learn Mahalanobis metrics in multi-view settings. In its implementation, first an off-the-shelf single-view metric learning algor
[DeepLearning] Metric Learning
LeYOUNGER的博客
01-29 1097
https://blog.csdn.net/gdengden/article/details/82715162
METRIC LEARNING(度量学习)
hermito的专栏
01-27 2547
度量学习也可以认为是相似度。knn最合适的是学习马氏距离，怎么学？要给出先验知识，哪两个数据更相似，欧式距离不可靠。SVM也是metric learning的一种，因为kernel matrix就是相似度。state of art的metric learning方法LMNN，有代码可以下载。也未必效果最好，用得很多，因为有代码。度量就是相似度，任何方法只要用到相似度，就可以用到度量学习。度量学
度量学习(Metric Learning)
最新发布
程序员光剑
07-12 767
度量学习(Metric Learning) Metric Learning. 度量学习(Metric Learning)是指在特定的任务上通过理解样本之间的相似关系，学习一个合适的距离度量函数。传统的度量学习方法通常使用
Metric Learning——度量学习
热门推荐
初学者的博客
09-15 6万+
  2018年04月10日 15:30:29 敲代码的quant 阅读数：1567 标签： 度量学习metric learning机器学习聚类 更多 个人分类： 机器学习 版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/FrankieHello/article/details/79872607 看到一篇知乎大神Flood Sung发表在CV...
COCOACollaborative Convolutional Metric Learning
04-04
COCOA (Collaborative Convolutional Metric Learning) is a deep learning method for metric learning that aims to learn a similarity metric between pairs of images. It is designed for image retrieval applications, where the goal is to find images that are similar to a query image. The COCOA model is based on a collaborative learning approach that combines the strengths of both convolutional neural networks (CNNs) and metric learning. The COCOA model consists of two main components: a CNN encoder and a metric learning module. The CNN encoder is used to extract features from the input images, while the metric learning module is used to learn a similarity metric between pairs of images. The metric learning module is trained using a triplet loss function, which encourages the model to learn embeddings that are close together for similar images and far apart for dissimilar images. One of the unique aspects of COCOA is its collaborative learning approach. The model is trained in a two-stage process, where the CNN encoder is first trained using a classification task, and then the metric learning module is trained using the embeddings produced by the CNN encoder. This approach allows the model to leverage the strengths of both CNNs and metric learning, resulting in a more effective similarity metric. COCOA has been shown to outperform several state-of-the-art methods on benchmark datasets for image retrieval, including CIFAR-10 and CIFAR-100. It has also been applied to real-world applications, such as image-based product search, where it achieved high accuracy and robustness to variations in lighting, pose, and scale. In summary, COCOA is a collaborative convolutional metric learning method that combines the strengths of CNNs and metric learning for effective image retrieval. Its unique approach to collaborative learning and triplet loss function make it a powerful tool for a variety of real-world applications.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值