度量学习

度量距离的基本理论和计算方法见链接 欧式距离 规范化欧式距离 即在计算欧式距离之前先将数据规范化处理，普遍使用的方法有三种，最大最小规范化、零均值规范化和L2范数规范化。 马氏距离 即在规范化欧式距离

简介 联合嵌入（Joint embeddings）在多媒体数据分割中得到了广泛的应用，它将对不同模态的理解整合在一起。这些嵌入通常是将来自两个或多个不同域(例如图像和文本)的输入映射到一个公共潜在空间

Learning Transferable Visual Models From Natural Language Supervision 简介 在过去的几年里，直接从原始文本中学习的预训练方法已经彻

下面是度量学习的样例： 使用 Shogun Machine Learning Toolbox 进行度量学习 原文链接：Metric Learning with the Shogun Machine L

Unsupervised Metric Learning 无监督度量学习算法只将一个(未标记的)数据集 $x$ 作为输入。目前，只有协方差算法（ Covariance），这是一个简单的基线算法(见下文

弱监督算法比有监督算法处理的数据点信息更弱。与标记点不同，他们将数据点元组的相似性判断作为输入，例如相似点和不相似点的对。 General API 输入数据 在下面的段落中，为了概括起见，以元组为主体

监督度量学习 监督度量学习以点$x$和标签$y$为输入，学一个距离矩阵，使同一类(分类)中的点或接近目标值(回归)中的点彼此接近，不同类别的点或远离目标值的点彼此远离。 General API 有监督

原文链接 什么是度量学习 许多机器学习的方法需要测量数据点之间的距离。传统上，从业者会根据领域的先验知识选择一个标准距离度量(例如欧几里德，城市街区，余弦等)。然而，通常很难设计出非常适合特定数据和感