引入
小小知识点模块主要是记录平时看的论文中有启发或者其它的新知识点。下面主要介绍一下在多示例场景下,实例之间存在的辨别性相似度(Discriminative Similarity)。
前言
在论文miGraph中,提到了两个实例之间存在一种相似性,并用欧式距离来表示他们之间相似度的大小,距离越近,相似度越大。但,这样做存在一个问题:这样仅仅考虑了两两实例之间的空间距离关系,在实际生活中,距离越近的两个对象,并不直接相似,因此,在一篇论文中,提出了辨别性相似度(Discriminative Similarity-DS)1:原文中这样叙述:Positive instances should not only be similar to each other but also be different from negative instances. 因此,对于正负实例,应该具有很明显的差距,正实例不应该只与正实例相似,更应该和负实例有所区别。
DS
两个实例之间的相似度
其中,
φ
(
i
,
j
)
\varphi(i, j)
φ(i,j) 是所有训练实例
x
k
x_k
xk 中实例
x
j
x_j
xj 的等级,
Υ
i
,
k
>
0
\Upsilon_{i, k}>0
Υi,k>0。
Υ
i
,
j
=
w
i
T
⋅
x
j
\Upsilon_{i, j}=w_{i}^{T} \cdot x_{j}
Υi,j=wiT⋅xj 是实例
x
j
x_j
xj 与 实例
x
i
x_i
xi 的置信度,
w
i
T
w_i^T
wiT 是实例
x
i
x_i
xi 通过SVM模型学习到的权值向量。
举例说明:
对于上图左侧向量,则是实例 x 1 x_1 x1 通过公式 Υ i , j = w i T ⋅ x j \Upsilon_{i, j}=w_{i}^{T} \cdot x_{j} Υi,j=wiT⋅xj 求的置信度向量, T 1 , 5 T_{1,5} T1,5表示实例 x 1 x_1 x1 与 x 5 x_5 x5的置信度,其中 φ ( 1 , 5 ) = 2 \varphi(1, 5)=2 φ(1,5)=2 表示 T 1 , 5 T_{1,5} T1,5在整个序列中的等级;同理,可以求得 φ ( 5 , 1 ) = 1 \varphi(5, 1)=1 φ(5,1)=1;因此 S ( x 1 , x 5 ) = 0.5 S(x_1,x_5)=0.5 S(x1,x5)=0.5。