We consider the problem of learning a measure of distance among vectors in a feature space and propose a hybrid method that simultaneously learns from similarity ratings assigned to pairs of vectors and class labels assigned to individual vectors. Our method is based on a generative model in which class labels can provide information that is not encoded in feature vectors but yet relates to perceived similarity between objects. Experiments with synthetic data as well as a real medical image retrieval problem demonstrate that leveraging class labels through use of our method improves retrieval performance significantly.
Graph Neural Distance Metric Learning with Graph-Bert
Florida State University（佛罗里达州立大学）；IFM Lab（IFM实验室）
图距离度量学习是许多图学习问题的基础，例如，图聚类、图分类和图匹配。现有的关于图距离度量（或图核）学习的研究工作未能保持这些度量的基本性质，例如，非负性、不可约恒等式、对称性和三角不等式。在本文中，我们将介绍一种新的图神经网络的距离度量学习方法，即GB-DISTANCE（GRAPH-BERT based Neural Distance）。基于注意力机制，GB-DISTANCE可以基于预先训练的GRAPH-BERT模型有效地学习图实例表示。与现有的监督/无监督度量不同，GB-DISTANCE可以以半监督的方式有效地学习。此外，GB-DISTANCE还可以保持上述距离度量的基本属性。在多个基准图数据集上进行了大量实验，结果表明GB-DISTANCE算法的性能优于现有的基线方法，尤其是最近提出的基于图度量的图神经网络模型，但在计算图距离方面存在明显差距。
Distance Metric Learning through Minimization of the Free Energy
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Universidade Federal Rural de Pernambuco（伯南布哥联邦农村大学）
在过去的几十年里，距离度量学习在解决机器学习和模式识别问题方面吸引了很多兴趣。在这项工作中，我们提出了一个简单的方法，从统计物理学的概念，学习最佳的距离度量给定的问题。我们制定的任务作为一个典型的统计物理问题：模式之间的距离代表的组成部分的物理系统和目标函数对应的能量。然后，我们将问题表示为复杂系统的自由能的最小化，这相当于距离度量学习。就像物理学中的许多问题一样，我们提出了一种基于Metropolis Monte Carlo的方法来找到最佳距离度量。这提供了一种自然的方式来学习距离度量，其中学习过程可以直观地看作是拉伸和旋转度量空间，直到满足某些启发式。我们提出的方法可以处理各种各样的约束，包括那些虚假的局部极小值。该方法与来自邻域分量分析（NCA）的随机最近邻的效果令人惊讶地好。人工和真实世界的数据集上的实验结果显示出明显的优越性，在一些国家的最先进的距离度量学习方法的最近邻分类。
