基于约束分层加权的多度量学习算法

为解决经典的多度量学习算法从预先获得的样本划分中学习度量时,样本划分不精确所导致局部度量拟合能力不足的问题,基于约束分层加权的思想,提出了为约束逐层分配度量并使其度量尽可能满足当前所有约束的优化模型,同时添加正则项使得不同度量对应的约束应该尽可能不同。由于单个样本所形成的不同约束可能对应不同的局部度量,相比于传统的多度量学习方法,提出的算法能够获得更精细的局部度量且更具有灵活性,使得度量的拟合能力更强。实验结果表明,提出的算法在真实数据集上对比代表性的单度量学习算法和多度量学习算法具有明显的优势。