スペクトル,確率および深層計量学習:チュートリアルとサーベイ【JST・京大機械翻訳】

Ghojogh Benyamin; Ghodsi Ali; Karray Fakhri; Crowley Mark

プレプリント

J-GLOBAL ID：202202212658023413 整理番号：22P0278427

スペクトル,確率および深層計量学習:チュートリアルとサーベイ【JST・京大機械翻訳】

Spectral, Probabilistic, and Deep Metric Learning: Tutorial and Survey

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月23日プレプリントサーバーでの情報更新日： 2022年01月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

これは計量学習に関するチュートリアルと調査論文である。アルゴリズムを,スペクトル,確率的,および深い計量学習に分割した。まず,距離計量,Mahalanobis距離,および一般化Mahalanobis距離の定義から始めた。スペクトル法において,著者らは,最初のスペクトル計量学習,Fisher判別分析への関連方法,関連成分分析(RCA),識別成分分析(DCA),およびFisher-HSIC法を含む,データの散乱を用いる方法から始めた。次に,大マージン計量学習,不均衡計量学習,局所線形計量適応,および敵対的計量学習をカバーした。また,特徴空間におけるメトリック学習のためのいくつかのカーネルスペクトル法を説明した。また,Riemann多様体上で幾何学的メトリック学習法を導入した。確率的手法では,入力と特徴空間の両方における崩壊クラスから始め,次に,メトリック学習における近傍成分分析方法,Bayesメトリック学習,情報理論的方法,および経験的リスク最小化を説明した。深層学習法において,まず,メトリック学習のための再構成オートエンコーダと教師つき損失関数を導入した。次に,Siameseネットワークとその様々な損失関数,三重項マイニング,および三重項サンプリングについて説明した。Fisher判別分析に基づく深い判別分析法もレビューした。最後に,マルチモーダル深層メトリック学習,ニューラルネットワークによる幾何学的メトリック学習,および少数ショットメトリック学習を導入した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , , , ,

前のページに戻る