融入Universum学习的度量学习算法

来源：计算机工程与应用杂志2019年第13期北京时间：

作者：刘 鸿，陈晓红，张恩豪

单位：南京航空航天大学 理学院，南京 211106

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