Çevrimiçi Metrik Öğrenme
Online Metric Learning (Incremental Distance Metric Learning from Streaming Data) · Ayrıca şöyle bilinir: OML, incremental metric learning, streaming metric learning, online distance metric learning
Çevrimiçi Metrik Öğrenme, tam veri kümesini depolamadan, yeni etiketlenmiş örnekler veya ikili kısıtlamalar birer birer geldikçe bir Mahalanobis uzaklık metriğini artımlı olarak uyarlar. Çevrimiçi öğrenmenin verimliliğini metrik öğrenmenin temsil gücüyle birleştirerek, akış, büyük ölçekli veya sürekli değişen ortamlarda yeniden eğitimden kaçınılmaz hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler bir akış olarak veya tam toplu yeniden eğitime imkan vermeyen çok büyük toplu işler halinde geldiğinde, ikili veya üçlü denetim sıralı olarak mevcut olduğunda (örneğin, kullanıcı geri bildirimi, tıklama oranlı çiftler) veya benzerlik yapısı zamanla kayabilirse Çevrimiçi Metrik Öğrenme'yi kullanın. Geri alma, az sayıda çekim tanıma ve sıralama görevleri için uygundur. Tam veri kümesinin küçük olduğu ve belleğe rahatça sığdığı durumlarda bundan kaçının — LMNN veya NCA gibi toplu metrik öğrenme yöntemleri genellikle daha az hiperparametre hassasiyetiyle daha iyi bir metriğe yakınsar. Ayrıca, ikili veya sınıf etiketli denetim mevcut olmadığında bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tam veri kümesi için O(n) yerine metrik matrisi için O(d²) bellek gerektiren, bir seferde bir örnek işler.
- Tam yeniden eğitim olmadan dağılım kaymalarına sürekli olarak uyum sağlar, bu da onu durağan olmayan akışlar için uygun hale getirir.
- Güçlü teorik garantiler: çevrimiçi hata sınırları ve pişmanlık sınırları büyük algoritmalar için belirlenmiştir.
- Görev özel bir geometri öğrenerek klasik uzaklık tabanlı sınıflandırıcıları (k-NN) genelleştirir.
- İkili etiketler, üçlü kısıtlamalar veya sınıf etiketli denetim ile uyumludur, esnek denetim sinyalleri sunar.
- Tam bir d×d metrik matrisi öğrenmek, özellik boyutuna göre karesel olarak ölçeklenir; yüksek boyutlu girdiler (örneğin, ham görüntüler) düşük dereceli veya diyagonal yaklaşımlar gerektirir.
- Yakınsama, genellikle veri kümesi başına dikkatli ayar gerektiren öğrenme oranı ve düzenlileştirme programına duyarlıdır.
- PSD yansıtma adımı, her güncellemede hesaplama ek yükü ekler.
- Küçük, durağan veri kümelerinde toplu optimizasyonun mümkün olduğu durumlarda toplu yöntemlerden daha az doğrudur.
SSS
Çevrimiçi Metrik Öğrenme, toplu metrik öğrenmeden (örneğin, LMNN) nasıl farklıdır?
LMNN gibi toplu yöntemler, tüm eğitim verileri üzerinde metriği eş zamanlı olarak optimize ederek güçlü bir son doğruluk elde eder, ancak yeni veriler geldiğinde tam veri erişimi ve pahalı yeniden eğitim gerektirir. Çevrimiçi Metrik Öğrenme, her örnekten sonra metriği günceller, son durum doğruluğundan bir kısmını hız, bellek verimliliği ve akışlı veya durağan olmayan verilere uyum için takas eder.
Çevrimiçi Metrik Öğrenme ne tür bir denetim sinyaline ihtiyaç duyar?
Çoğu algoritma ikili kısıtlamalar (çiftler için benzer / benzemez etiketler) veya üçlü kısıtlamalar (çapa, pozitif, negatif) gerektirir. Bazı varyantlar yalnızca sınıf etiketlerini kabul eder ve anında örtük ikili kısıtlamalar türetir. Tamamen denetimsiz çevrimiçi metrik öğrenme aktif bir araştırma alanıdır ancak daha az olgundur.
Yüksek boyutlu girdileri verimli bir şekilde nasıl ele alırım?
Tam bir d×d PSD matrisi, büyük d'ler için imkansız hale gelir. Düşük dereceli parametrizasyonlar (M = W^T W, burada W'nin derecesi k << d'dir) veya diyagonal yaklaşımlar (Öklid ağırlıklandırması), depolamayı O(kd)'ye düşürür ve her güncellemeyi O(d²) yerine O(kd) yapar.
Çevrimiçi Metrik Öğrenme önceki kısıtlamaları unutabilir mi?
Evet — tüm çevrimiçi algoritmalar gibi, dağılım önemli ölçüde kaydığında felaket unutma sergileyebilir. Önceki metriğe doğru düzenlileştirme (güncellemedeki Bregman ıraksaklığı terimi) unutmayı yavaşlatır ancak ortadan kaldırmaz. Güçlü durağan olmama durumu için, rezervuar örneklemesi veya geçmiş kısıtlamaların bellek tekrarı bunu hafifletebilir.
Hangi değerlendirme metriğini kullanmalıyım?
Geri alma görevleri için yaygın seçimler Recall@k (k en yakın komşudaki gerçek pozitiflerin oranı) ve Ortalama Ortalama Hassasiyet (MAP)'tir. Sınıflandırma aşağı akışında, öğrenilen metrik altındaki bir k-NN sınıflandırıcısının doğruluğu standarttır. Uyum dinamiklerini ortaya çıkarmak için akış boyunca birden çok zaman adımında sonuçları raporlayın.
Kaynaklar
- Shalev-Shwartz, S., Singer, Y., & Ng, A. Y. (2004). Online and batch learning of pseudo-metrics. Proceedings of the 21st International Conference on Machine Learning (ICML 2004), pp. 94. ACM. link ↗
- Jin, R., Wang, S., & Zhou, Y. (2009). Regularized distance metric learning: Theory and algorithm. Advances in Neural Information Processing Systems (NIPS 2009), 22, 862–870. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Metric Learning (Incremental Distance Metric Learning from Streaming Data). ScholarGate. https://scholargate.app/tr/machine-learning/online-metric-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ölçüm ÖğrenmesiMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Siamese Sinir AğıDerin öğrenme↔ karşılaştır