• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >A Distributed Approach Toward Discriminative Distance Metric Learning
【24h】

A Distributed Approach Toward Discriminative Distance Metric Learning

机译：区分性距离度量学习的一种分布式方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Distance metric learning (DML) is successful in discovering intrinsic relations in data. However, most algorithms are computationally demanding when the problem size becomes large. In this paper, we propose a discriminative metric learning algorithm, develop a distributed scheme learning metrics on moderate-sized subsets of data, and aggregate the results into a global solution. The technique leverages the power of parallel computation. The algorithm of the aggregated DML (ADML) scales well with the data size and can be controlled by the partition. We theoretically analyze and provide bounds for the error induced by the distributed treatment. We have conducted experimental evaluation of the ADML, both on specially designed tests and on practical image annotation tasks. Those tests have shown that the ADML achieves the state-of-the-art performance at only a fraction of the cost incurred by most existing methods.
机译：距离度量学习（DML）成功地发现了数据的内在联系。但是，当问题规模变大时，大多数算法在计算上都非常需求。在本文中，我们提出了一种判别性度量学习算法，针对中等大小的数据子集开发了分布式方案学习度量，并将结果汇​​总为一个全局解决方案。该技术利用了并行计算的能力。聚合DML（ADML）的算法可根据数据大小很好地扩展，并且可以由分区控制。我们从理论上分析并提供了由分布式处理引起的误差的界限。我们已经对ADML进行了实验评估，包括专门设计的测试和实际图像注释任务。这些测试表明，ADML可以以大多数现有方法所产生的成本的一小部分实现最先进的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号