三元组损失

三元组损失是机器学习算法中的一种损失函数，该损失函数将锚点（anchor）样本与正（positive）样本和负（negative）样本进行比较。具体做法是，将锚点样本与正样本之间的距离最小化，将锚点样本与负样本之间的距离最大化。 2003 年，早期的三元组损失公式（未使用锚点样本）由 M. Schultze 和 T. Joachims 依照相对比较法提出，将其用于度量学习。

该损失函数可以用欧几里德距离函数来表示

: \mathcal{L} \left ( A, P, N \right ) =\operatorname{max} \left (
{\| \operatorname{f} \left ( A \right ) - \operatorname{f} \left ( P \right ) \|}^2

• {\| \operatorname{f} \left ( A \right ) - \operatorname{f} \left ( N \right ) \|}^2
• \alpha, 0 \right )

: 其中A是一个锚点样本， P是与A同类的正样本, N是与A不同类别的负样本, \alpha是正负样本对之间的松弛边距，\operatorname{f}是嵌入向量。

参见

• 孪生神经网络
• t-分布随机相邻嵌入
• 学习排名
• 相似性学习

参考