Um novo espaço de similaridade projetado para o aprendizado supervisionado de métricas profundas
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
A new similarity space tailored for supervised deep metric learning
Primeiro orientador
Membros da banca
Gisele Lobo Pappa
Alejandro Cesar Frery Orgambide
Alejandro Cesar Frery Orgambide
Resumo
No presente trabalho, propomos um novo método de aprendizagem métrica profunda que diferentemente de muitos trabalhos nesta área, define um novo espaço latente obtido por meio de um autoencoder. O novo espaço, chamado de espaço S, é dividido em diferentes regiões que descrevem as posições onde pares de objetos são similares/dissimilares. Localizamos marcadores para identificar essas regiões. Em seguida, estimamos as semelhanças entre objetos por meio de uma distribuição t-student baseada em kernel para medir a distância dos marcadores e a nova representação de dados. Assim, estimamos simultaneamente a posição dos marcadores no espaço S e representamos os objetos no mesmo espaço em nossa abordagem.
Além disso, propomos uma nova função de regularização para evitar que marcadores similares entrem em colapso. Apresentamos evidências de que nossa proposta pode representar espaços complexos, por exemplo, quando grupos de objetos semelhantes estão localizados em regiões disjuntas. Comparamos nossa proposta com 9 abordagens diferentes de aprendizagem métrica a distância (quatro delas são baseadas em aprendizagem profunda) em 28 conjuntos de dados heterogêneos do mundo real. De acordo com as quatro métricas quantitativas utilizadas, nosso método supera todas as nove estratégias da literatura.
Além disso, investigamos alguns estudos de caso em diferentes domínios, para verificar a eficácia de nossa proposta.
Abstract
We propose a novel deep metric learning method. Differently from many works in this area, we defined a novel latent space obtained through an autoencoder. The new space, namely S-space, is divided into different regions that describe the positions where pairs of objects are similar/dissimilar. We locate makers to identify these regions. We estimate the similarities between objects through a kernel-based t-student distribution to measure the markers' distance and the new data representation. We simultaneously estimate the markers' position in the S-space and represent the objects in the same space in our approach.
Moreover, we propose a new regularization function to avoid similar markers to collapse altogether. We present evidence that our proposal can represent complex spaces, for instance, when groups of similar objects are located in disjoint regions. We compare our proposal to 9 different distance metric learning approaches (four of them are based on deep-learning) on 28 real-world heterogeneous datasets. According to the four quantitative metrics used, our method overcomes all the nine strategies from the literature.
In addition, we investigated some case studies in different domains, to verify the effectiveness of our proposal.
Assunto
Computação - Teses, Aprendizado profundo - Teses, Redes neurais (Computação) - Teses
Palavras-chave
Deep metric learning, Similarity space, neural network, similar markers