เปรียบเทียบวิธี

	การเรียนรู้เมตริกแบบรวมกลุ่ม	การเรียนรู้เมตริก
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2010s	2003 (foundational); refined 2009 (LMNN)
ผู้ริเริ่ม	Multiple contributors (Weinberger, Saul, et al.)	Xing, E. P.; Jordan, M. I.; Russell, S.; Ng, A. Y.
ประเภท	Ensemble of learned distance metrics	Representation learning / supervised distance optimization
แหล่งต้นตำรับ	Wang, J., Kalousis, A., & Woznica, A. (2012). Parametric local metric learning for nearest neighbor classification. Advances in Neural Information Processing Systems, 25.	Xing, E. P., Jordan, M. I., Russell, S., & Ng, A. Y. (2003). Distance metric learning with application to clustering with side-information. In Advances in Neural Information Processing Systems (NIPS), 16, 505–512.
ชื่อเรียกอื่น	EML, ensemble distance metric learning, multiple metric fusion, combined metric learning	Distance Metric Learning, Similarity Learning, DML, Representation Learning via Distance
ที่เกี่ยวข้อง	5	5
สรุป	Ensemble Metric Learning trains multiple distance metric learners — each on a different data view, feature subspace, or with a different objective — and combines the resulting metrics to produce a single, more robust similarity function. Combining diverse metrics reduces the variance of any individual metric and improves performance in tasks such as nearest-neighbor classification, retrieval, and few-shot learning.	Metric learning is a machine-learning framework that trains a distance or similarity function from data so that semantically similar examples end up close together in the learned space while dissimilar examples are pushed apart. Unlike fixed distances such as Euclidean, the learned metric adapts to the structure of the task, making downstream classifiers, clusterers, and retrieval systems significantly more accurate.