DISTANCE METRIC LEARNING USING PROXIES

The present disclosure provides systems and methods that enable distance metric learning using proxies. A machine-learned distance model can be trained in a proxy space in which a loss function compares an embedding provided for an anchor data point of a training dataset to a positive proxy and one or more negative proxies, where each of the positive proxy and the one or more negative proxies serve as a proxy for two or more data points included in the training dataset. Thus, each proxy can approximate a number of data points, enabling faster convergence. According to another aspect, the proxies of the proxy space can themselves be learned parameters, such that the proxies and the model are trained jointly. Thus, the present disclosure enables faster convergence (e.g., reduced training time). The present disclosure provides example experiments which demonstrate a new state of the art on several popular training datasets. L'invention concerne des systèmes et des procédés permettant un apprentissage de mesure de distance à l'aide de mandataires. Un modèle de distance appris par machine peut être appris dans un espace mandataire où une fonction de perte compare une intégration prévue pour un point de données d'ancrage d'un ensemble de données d'apprentissage avec un mandataire positif et un ou plusieurs mandataires négatifs, chaque mandataire parmi le mandataire positif et le ou les mandataires négatifs servant de mandataire pour au moins deux points de données inclus dans l'ensemble de données d'apprentissage. Chaque mandataire peut estimer approximativement un certain nombre de points de données, ce qui permet une convergence plus rapide. Selon un autre aspect, les mandataires de l'espace mandataires peuvent eux-mêmes être des paramètres appris afin d'apprendre conjointement les mandataires et le modèle. Ainsi, l'invention permet une convergence plus rapide (par exemple, un temps d'apprentissage réduit). L'invention concerne des expériences données à titre d'exemple qui démontrent un nouvel état de la technique sur plusieurs ensembles de données d'apprentissage populaires.