Survey and Experimental study on Metric learning Methods

Survey and Experimental study on Metric learning Methods

这是2018年的新文章，发表在Neural Networks。

Abstract

距离度量学习近年来成为研究热点，由于其在提高距离相关方法性能上的高效性，例如k近邻(kNN)。度量学习旨在学习一个数据无关度量，使得类内距离更小，类间距离更大。用于各种领域的大量方法被提出，调查评价和比较这些方法势在必行。现有的综述仅在理论上分析了这些算法，或在较窄的时间范围内通过实验比较它们。因此，这篇文章回顾了2003年到2017年提出的经典的有影响力的方法，并根据每种方法最明显的特点对其分类。所有方法被分为5类，包括成对损失、概率框架、类Boost方法、有利变体和特定应(pairwise cost, probabilistic framework, boost-like approaches,advantageous variants and specific applications)。通过综合实验研究，比较了所有选择的方法，探讨了提高精度的能力、距离变化与精度的关系、精度与kNN领域大小之间的关系。
Keywords：度量学习，距离，分类，相似性，最近邻

未完待续。