یادگیری متریک ( به انگلیسی: Metric learning ) به یادگیری یک تابع فاصله اشاره دارد که میزان شباهت بین نمونه ها را محاسبه می کند. درواقع هدف یادگیری یک متریک است که فاصله بین نمونه های یک کلاس را کاهش و فاصله بین نمونه های کلاس مختلف را افزایش دهد. روش های یادگیری متریک از یک طرح ریزی خطی ( به انگلیسی: linear projection ) استفاده می کنند که این نوعی محدودیت است زیرا برای حل مسائل دنیای واقعی و آشکار کردن دانش غیرخطی موجود در داده ها نمی توانند کارا باشند. درسالهای اخیر مفهوم یادگیری عمیق و یادگیری متریک باهم ترکیب شدند و مفهوم یادگیری متریک عمیق به منظور کاربردهای درک بصری مطرح شد که از رویکرد هسته ( به انگلیسی: kernel ) و توابع فعالسازی برای حل مسائل غیرخطی استفاده می کند. [ ۱] [ ۲]
سناریویی را تصور کنید که در آن باید شباهت یا مسافت را بین بیش از دو تصویر محاسبه کنیم ( برای مثال، برای خوشه بندی یا طبقه بندی نزدیکترین همسایه ) . یک سؤال اساسی که پیش می آید دقیقاً چگونگی ارزیابی شباهت یا فاصله بین جفت تصاویر است. به عنوان مثال، اگر هدف ما پیدا کردن چهره های مطابق با هویت باشد، باید یک عملکرد فاصله را انتخاب کنیم که بر ویژگی های مناسب ( رنگ مو، نسبت فاصله بین کلیدهای صورت و غیره ) تأکید کند. اما ممکن است ما یک برنامه کاربردی داشته باشیم که بخواهیم موقعیت فرد را تعیین کنیم و بنابراین به یک عملکرد فاصله نیاز داریم که شباهت موقعیت آنها را به تصویر می کشد. واضح است که سایر ویژگی ها در این سناریو کاربردی تر هستند؛ بنابراین می توانیم با انتخاب مناسب از ویژگی ها و ترکیب آن ویژگی ها، یک تابع فاصله مناسب را برای هر کار تعیین کنیم. [ ۲]
هر مجموعه داده از لحاظ طبقه بندی و خوشه بندی دارای مشکلات خاص است. به عنوان مثال، هنگامی که با یک مشکل تشخیص چهره مواجه هستید، ممکن است با عواملی مانند تغییرات مختلف، اختلاف روشنایی، مقیاس پذیری، پس زمینه و انسداد مواجه شوید که هریک از آنها باعث ایجاد مشکلات مختلف در طبقه بندی داده ها می شود؛ بنابراین، برای پرداختن به این عوامل، باید ویژگیهای متمایز داده ها به خوبی تعریف شود تا طبقه بندی صحیح داده ها انجام شود. معیارهای فاصله که توانایی یادگیری خوب و مستقل از مشکل ندارند می توان ادعا کرد که نتایج طبقه بندی خوبی در طبقه بندی داده ها ندارد؛ بنابراین، برای دستیابی به نتایج موفق در داده های ورودی، یک متریک مسافت مناسب لازم است. [ ۱] یادگیری متریک با تجزیه و تحلیل داده ها، یک متریک مسافت جدید را ارائه می دهد. یادگیری متریک که فرایند یادگیری را بر روی داده ها انجام می دهد، توانایی بالاتری در تشخیص متمایز بودن داده های نمونه دارد. هدف اصلی یادگیری متریک، یادگیری یک متریک جدید برای کاهش فاصله بین نمونه های یک کلاس و افزایش فاصله بین نمونه های کلاس های مختلف است. همان طور که در زیر مشاهده می شود، در حالی که یادگیری متریک قصد دارد اشیاء مشابه را به هم نزدیک کند، فاصله بین اشیاء متفاوت را افزایش می دهد. [ ۱] [ ۲]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفسناریویی را تصور کنید که در آن باید شباهت یا مسافت را بین بیش از دو تصویر محاسبه کنیم ( برای مثال، برای خوشه بندی یا طبقه بندی نزدیکترین همسایه ) . یک سؤال اساسی که پیش می آید دقیقاً چگونگی ارزیابی شباهت یا فاصله بین جفت تصاویر است. به عنوان مثال، اگر هدف ما پیدا کردن چهره های مطابق با هویت باشد، باید یک عملکرد فاصله را انتخاب کنیم که بر ویژگی های مناسب ( رنگ مو، نسبت فاصله بین کلیدهای صورت و غیره ) تأکید کند. اما ممکن است ما یک برنامه کاربردی داشته باشیم که بخواهیم موقعیت فرد را تعیین کنیم و بنابراین به یک عملکرد فاصله نیاز داریم که شباهت موقعیت آنها را به تصویر می کشد. واضح است که سایر ویژگی ها در این سناریو کاربردی تر هستند؛ بنابراین می توانیم با انتخاب مناسب از ویژگی ها و ترکیب آن ویژگی ها، یک تابع فاصله مناسب را برای هر کار تعیین کنیم. [ ۲]
هر مجموعه داده از لحاظ طبقه بندی و خوشه بندی دارای مشکلات خاص است. به عنوان مثال، هنگامی که با یک مشکل تشخیص چهره مواجه هستید، ممکن است با عواملی مانند تغییرات مختلف، اختلاف روشنایی، مقیاس پذیری، پس زمینه و انسداد مواجه شوید که هریک از آنها باعث ایجاد مشکلات مختلف در طبقه بندی داده ها می شود؛ بنابراین، برای پرداختن به این عوامل، باید ویژگیهای متمایز داده ها به خوبی تعریف شود تا طبقه بندی صحیح داده ها انجام شود. معیارهای فاصله که توانایی یادگیری خوب و مستقل از مشکل ندارند می توان ادعا کرد که نتایج طبقه بندی خوبی در طبقه بندی داده ها ندارد؛ بنابراین، برای دستیابی به نتایج موفق در داده های ورودی، یک متریک مسافت مناسب لازم است. [ ۱] یادگیری متریک با تجزیه و تحلیل داده ها، یک متریک مسافت جدید را ارائه می دهد. یادگیری متریک که فرایند یادگیری را بر روی داده ها انجام می دهد، توانایی بالاتری در تشخیص متمایز بودن داده های نمونه دارد. هدف اصلی یادگیری متریک، یادگیری یک متریک جدید برای کاهش فاصله بین نمونه های یک کلاس و افزایش فاصله بین نمونه های کلاس های مختلف است. همان طور که در زیر مشاهده می شود، در حالی که یادگیری متریک قصد دارد اشیاء مشابه را به هم نزدیک کند، فاصله بین اشیاء متفاوت را افزایش می دهد. [ ۱] [ ۲]
wiki: یادگیری متریک