VolgendeVolgende gids
Distance Metrics in Machine Learning
Grondbeginselen
Basisprincipes GIDS
Tripletverlies leert een neuraal netwerk om vergelijkbare items dicht bij elkaar en ongelijksoortige items ver uit elkaar te plaatsen in een inbeddingsruimte.
Luister naar deze gidsAI-verteld · ~2 min
It is the foundation behind face recognition, image search, and recommendation systems that need to compare things rather than just classify them.
Metrisch leren traint een model om inbedding te produceren, vectoren waarbij afstand gelijkenis weerspiegelt. Tripletverlies doet dit met behulp van drie ingangen tegelijk: een anker, een positief (dezelfde klasse als het anker) en een negatief (andere klasse). De doelstelling duwt het anker dichter bij het positieve dan bij het negatieve, met tenminste een vaste marge. Formeel is het verlies max(0, d(a,p) - d(a,n) + marge), waarbij d gewoonlijk de Euclidische afstand is. Google's FaceNet uit 2015 maakte deze aanpak populair, waarbij 128-dimensionale gezichtsinsluitingen rechtstreeks werden geleerd. Eenmaal getraind, vergelijkt u twee items door de afstand te berekenen, er is geen herscholing nodig voor een nieuwe identiteit. Deze open mogelijkheid is de reden waarom de classificatie van metrische leerbevoegdheden, verificatie en ophaaltaken niet gemakkelijk aankan.
Gezichtsverificatie in FaceNet-stijl: telefoons en paspoortpoortjes bevestigen de identiteit door te controleren of twee gezichtsinsluitingen binnen een afstandsdrempel vallen.
Visueel zoeken naar producten: op e-commercesites kunnen klanten een foto uploaden en visueel vergelijkbare items ophalen door de dichtstbijzijnde buur op te zoeken.
Sprekerverificatie: stemassistenten sluiten een stemvoorbeeld in en vergelijken dit met een geregistreerd profiel om te bevestigen wie er spreekt.
Handtekening- en handschriftverificatie: banken integreren referentie- en query-handtekeningen en markeren vervalsingen wanneer de afstand een aangeleerde marge overschrijdt.
Zuiver tripletverlies wordt steeds vaker vervangen door batchbrede doelstellingen zoals multi-similarity, proxy-anker en contrastieve verliezen (InfoNCE) die veel paren per stap vergelijken en sneller convergeren. Zelf-gecontroleerde methoden zoals SimCLR laten zien dat metrisch leren zonder labels kan werken door augmented views als positief te behandelen. Naarmate vectordatabases en door retrieval ondersteunde generaties toenemen, ondersteunen geleerde inbedding semantisch zoeken op de schaal van miljard items, dus wordt het kernidee van afstand als gelijkenis steeds centraler, zelfs naarmate de specifieke tripletformulering vervaagt.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Tripletverlies leert een neuraal netwerk om vergelijkbare items dicht bij elkaar en ongelijksoortige items ver uit elkaar te plaatsen in een inbeddingsruimte. Het is de basis achter gezichtsherkenning, het zoeken naar afbeeldingen en aanbevelingssystemen die dingen moeten vergelijken in plaats van ze alleen maar te classificeren.
Een triplet bestaat uit een anker, een positief dat de klasse van het anker deelt, en een negatief uit een andere klasse.
Zonder marge zou het model alles op hetzelfde punt kunnen brengen, waardoor alle afstanden nul zouden worden en het verlies triviaal zou worden gecompenseerd. De marge dwingt tot echte scheiding.
FaceNet van Google gebruikte tripletverlies om compacte gezichtsinsluitingen te leren en een maatstaf te stellen voor gezichtsverificatie.
Het model brengt input in kaart voor het inbedden van vectoren; Vervolgens vergelijkt u items door de afstand tussen hun inbedding te meten.
Omdat herkenning gebaseerd is op de inbeddingsafstand, kunt u eenvoudig een nieuwe identiteit registreren door de inbedding ervan op te slaan; er is geen hertraining van het model vereist.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Distance Metrics in Machine Learning
Grondbeginselen