स्याम देश नेटवर्क और ट्रिपल लॉस

सियामी नेटवर्क प्रत्येक को वर्गीकृत करने के बजाय यह जानने के लिए दो या दो से अधिक समान, भार-साझा करने वाली शाखाओं का उपयोग करते हैं कि दो इनपुट कितने समान हैं। ट्रिपल लॉस उन्हें मेल खाने वाली वस्तुओं को एक साथ खींचकर और बेमेल वस्तुओं को अलग करके प्रशिक्षित करता है, जो चेहरे की पहचान, हस्ताक्षर सत्यापन और एक-शॉट सीखने की रीढ़ है।

भार साझा करने वाली समान शाखाएं सुनिश्चित करती हैं कि सभी इनपुट एक ही एम्बेडिंग स्थान में मैप किए गए हैं ताकि दूरियां तुलनीय हों।

ट्रिपलेट लॉस एम्बेडिंग स्पेस को आकार देने के लिए एक एंकर, एक सकारात्मक (समान वर्ग) और एक नकारात्मक (अलग वर्ग) का उपयोग करता है।

नुकसान सकारात्मक को नकारात्मक की तुलना में कम से कम मार्जिन के करीब धकेलता है, समान श्रेणी की वस्तुओं को एक साथ जोड़ता है।

यदि कोई नकारात्मक पहले से ही दूर है, तो हानि शून्य है; भ्रामक रूप से करीबी नकारात्मक चुनने से मॉडल को सीखने के लिए कुछ सार्थक मिलता है।

क्योंकि वे निश्चित लेबल के बजाय समानता सीखते हैं, वे केवल एक नामांकित उदाहरण से एक बिल्कुल नई पहचान पहचान सकते हैं।