融入Universum学习的度量学习算法

摘要：

度量学习通过更真实的刻画样本之间的距离,来提高分类和聚类的精度.GMML(Geometric Mean Metric Learning)在学习度量矩阵A时,使得在该度量下同类点之间的距离尽可能小,不同类点之间的距离尽可能大.GMML用来学习的训练样本均为目标类数据,而对于现实存在的为数众多的同领域非目标类数据,即Universum数据并未加以利用,不免造成信息的浪费,针对此,提出一种新的度量学习算法——融入Universum学习的GMML(U-GMML).U-GMML期望得到一个新的度量矩阵A ,使得同类点之间的距离尽可能小,不同类点之间的距离尽可能大,且Universum数据与目标类数据的距离尽可能大,从而使得所学习的度量矩阵A更有利于分类.真实数据集上的实验结果验证了该算法的有效性.

关键词：度量学习、测地线凸、几何平均、Universum学习

所属期刊栏目：55

分类号：TP391(计算技术、计算机技术)

在线出版日期：2019-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：158-164,238