Глоссарий ИИ
Полный словарь искусственного интеллекта
N-pair Loss
Обобщение triplet loss, которое сравнивает один положительный пример с N отрицательными примерами одновременно, улучшая эффективность обучения и стабильность сходимости. Особенно эффективно для крупномасштабных наборов данных.
Angular Loss
Функция потерь, которая оптимизирует углы между векторами эмбеддингов вместо их евклидовых расстояний, обеспечивая лучшую инвариантность к масштабу и лучшее разделение классов. Особенно полезна для задач распознавания лиц.
Center Loss
Функция потерь, которая минимизирует внутриклассовое расстояние, заставляя эмбеддинги одного класса приближаться к их изученному центру класса. Часто комбинируется с другими дискриминативными потерями для улучшения компактности кластеров.
ArcFace Loss
Аддитивная угловая функция потерь, которая улучшает дискриминативность эмбеддингов путем добавления углового запаса в пространстве гиперсфер. Особенно эффективна для задач распознавания с большим количеством классов и малым количеством примеров.
SphereFace Loss
Мультипликативная угловая функция потерь, которая накладывает угловое ограничение на эмбеддинги для улучшения межклассовой разделимости. Предназначена для обучения дискриминантных эмбеддингов на единичной гиперсфере.
Proxy-NCA Loss
Вариант Neighborhood Components Analysis, который использует обучаемые прокси для представления каждого класса, снижая вычислительную сложность по сравнению с подходами на основе пар. Особенно эффективна для крупномасштабных наборов данных.
Deep Metric Learning
Применение глубоких нейронных сетей для изучения сложных функций расстояния или сходства из необработанных данных. Этот подход сочетает репрезентативную мощность глубоких сетей с принципами метрического обучения.
Similarity Learning
Парадигма обучения, в которой модель учится оценивать сходство между парами примеров, а не напрямую предсказывать метки. Этот подход фундаментален для few-shot learning и систем рекомендаций.