เปรียบเทียบวิธี

	การเรียนรู้เมตริก	กระบวนการเกาส์เซียน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2003 (foundational); refined 2009 (LMNN)	2006 (book); roots in Kriging, 1951)
ผู้ริเริ่ม	Xing, E. P.; Jordan, M. I.; Russell, S.; Ng, A. Y.	Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Representation learning / supervised distance optimization	Probabilistic non-parametric model
แหล่งต้นตำรับ	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.	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	Distance Metric Learning, Similarity Learning, DML, Representation Learning via Distance	GP, Gaussian Process Regression, GPR, Kriging
ที่เกี่ยวข้อง	5	3
สรุป	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.	A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks.