Il prossimoProssima guida
Metriche di distanza nell'apprendimento automatico
Fondamenti
GUIDA AI FONDAMENTALI
La perdita di triplette insegna a una rete neurale a posizionare elementi simili vicini tra loro e elementi dissimili distanti in uno spazio di incorporamento.
Ascolta questa guidaNarrato dall'IA · ~2 min
È la base dietro il riconoscimento facciale, la ricerca di immagini e i sistemi di raccomandazione che devono confrontare le cose anziché limitarsi a classificarle.
L'apprendimento metrico addestra un modello a produrre incorporamenti, vettori in cui la distanza riflette la somiglianza. La perdita di triplette avviene utilizzando tre input alla volta: un'ancora, un positivo (stessa classe dell'ancora) e un negativo (classe diversa). L'obiettivo sposta l'ancora più vicino al positivo che al negativo di almeno un margine fisso. Formalmente, la perdita è max(0, d(a,p) - d(a,n) + margine), dove d è solitamente la distanza euclidea. FaceNet del 2015 di Google ha reso popolare questo approccio, apprendendo direttamente gli incorporamenti di volti a 128 dimensioni. Una volta addestrato, confronti due elementi qualsiasi calcolando la distanza, senza necessità di riqualificazione per nuove identità. Questa funzionalità di insieme aperto è il motivo per cui l'apprendimento metrico potenzia la verifica e la classificazione delle attività di recupero che non può essere facilmente gestita.
Verifica del volto in stile FaceNet: telefoni e varchi passaporti confermano l'identità controllando se due incorporamenti di volti rientrano in una soglia di distanza.
Ricerca visiva del prodotto: i siti di e-commerce consentono agli acquirenti di caricare una foto e recuperare articoli visivamente simili tramite la ricerca di incorporamento del vicino più vicino.
Verifica dell'oratore: gli assistenti vocali incorporano un campione vocale e lo confrontano con un profilo registrato per confermare chi sta parlando.
Verifica della firma e della grafia: le banche incorporano riferimenti e interrogano firme e segnalano falsificazioni quando la distanza supera un margine appreso.
La pura perdita di triplette è sempre più sostituita da obiettivi a livello batch come multi-similarità, proxy-anchor e perdite contrastive (InfoNCE) che confrontano molte coppie per passaggio e convergono più velocemente. I metodi auto-supervisionati come SimCLR mostrano che l'apprendimento delle metriche può funzionare senza etichette trattando le visualizzazioni aumentate come positive. Con l’aumento dei database vettoriali e della generazione aumentata dal recupero, gli incorporamenti appresi sostengono la ricerca semantica su scala di miliardi di elementi, quindi l’idea centrale della distanza come somiglianza sta diventando più centrale, anche se la formulazione specifica della tripletta svanisce.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La perdita di triplette insegna a una rete neurale a posizionare elementi simili vicini tra loro e elementi dissimili distanti in uno spazio di incorporamento. È la base dietro il riconoscimento facciale, la ricerca di immagini e i sistemi di raccomandazione che devono confrontare le cose anziché limitarsi a classificarle.
Una tripletta è composta da un'ancora, un positivo che condivide la classe dell'ancora e un negativo di una classe diversa.
Senza margine, il modello potrebbe mappare tutto allo stesso punto, azzerando tutte le distanze e soddisfacendo banalmente la perdita. Il margine impone una vera separazione.
FaceNet di Google ha utilizzato la perdita di triplette per apprendere gli incorporamenti compatti dei volti e stabilire un punto di riferimento nella verifica dei volti.
Il modello associa gli input ai vettori di incorporamento; quindi confronti gli elementi misurando la distanza tra i loro incorporamenti.
Poiché il riconoscimento si basa sulla distanza di incorporamento, puoi registrare una nuova identità semplicemente memorizzandone l'incorporamento, senza che sia necessaria la riqualificazione del modello.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Metriche di distanza nell'apprendimento automatico
Fondamenti