融入Universum学习的度量学习算法

• 作者: 刘鸿 张恩豪 陈晓红
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 度量学习 测地线凸 几何平均 Universum学习
• 年，卷（期）: 2019,（13）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 158-164,238
• 页数: 8页
• 分类号: TP391
• 字数: 4988字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1803-0438

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈晓红	南京航空航天大学理学院	23	74	5.0	8.0
2	刘鸿	南京航空航天大学理学院	9	39	4.0	6.0
3	张恩豪	南京航空航天大学理学院	3	0	0.0	0.0