الشبكات السيامية والخسارة الثلاثية

Triplet loss trains them by pulling matching items together and pushing mismatches apart, which is the backbone of face recognition, signature verification, and one-shot learning.

تقوم الشبكة السيامية بتشغيل كل مدخل من خلال نفس جهاز التشفير بأوزان مشتركة، مما ينتج عنه ناقل تضمين لكل منها. بدلاً من التنبؤ بتسمية الفئة، فإنه يقارن التضمينات باستخدام مسافة مثل الإقليدية أو جيب التمام. يتيح ذلك للنظام التعرف على الفئات الجديدة التي لم يتدرب عليها مطلقًا - وهو أمر بالغ الأهمية عندما يكون لديك مثال واحد فقط أو عدد قليل من الأمثلة لكل هوية (التعلم مرة واحدة). استخدمت الإصدارات المبكرة الخسارة المتباينة في الأزواج (المتشابهة مقابل غير المتشابهة). أدى فقدان الثلاثي إلى تحسين ذلك من خلال التدريب على ثلاثة مدخلات في وقت واحد: مرساة، وإيجابية (نفس فئة المرساة)، وسالبة (فئة مختلفة). يفرض الهدف أن تكون مسافة الارتساء الإيجابية أصغر من مسافة الارتساء السالبة بهامش، لذلك يتعلم النموذج مساحة التضمين حيث تتجمع عناصر الهوية نفسها بإحكام وتبقى الهويات المختلفة متباعدة.