Apprentissage métrique robuste

L'apprentissage métrique robuste apprend une fonction de distance de Mahalanobis à partir de données étiquetées ou contraintes par paires, tout en résistant activement à la distorsion causée par des étiquettes bruitées, des exemples corrompus ou des valeurs aberrantes. En remplaçant les fonctions de perte charnière (hinge) ou quadratique standard par des alternatives robustes et en ajoutant une régularisation, il produit une métrique de distance qui se généralise bien même lorsque l'ensemble d'entraînement est imparfait — une situation courante dans les tâches scientifiques et appliquées du monde réel.