在机器学习中，distance metric learning（也称 metric learning，度量学习）是一个很典型的任务，通常与很多熟知的 metric-based methods（如 KNN、K-means 等）结合起来使用以实现分类或者聚类 ，效果通常非常不错。很多机器学习方面的研究已经发现：如果 distance metric 学得足够好，学出来的 metric 结合最简单的 1NN 分类器其结果在很多任务上完全可以媲美很多很复杂的分类器，甚至在某些任务上还能达到 SOTA 的效果。此外，大部分 distance metric learning 的方法其数学模型和求解方法定义得都很清楚，让人看起来很舒服，也给后续研究可能进行的拓展留足了想象空间。

本文从传统的 distance metric 开始介绍、聊聊为什么要从数据中学习出一个 metric 以及 distance metric learning 的简单历史，并且以 LMNN 为例谈谈其作为 distance metric learning 经典方法之一的特点，最后再简单总结并在文末分享了很有价值的资料和 references 。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除