클러스터링 기반 다중 메트릭 학습을 위한 매개변수 자동화 알고리즘 연구

다국어 초록 (Multilingual Abstract)

Metric Learning involves learning a metric function for distance measurement, which plays an important role in improving the performance of classification or similarity-based algorithms. Multiple metric learning is essential for efficiently reflecting the local properties between instances, as single metric learning has limitations in reflecting the nonlinear structure of complex datasets. Previous research has proposed a method for learning a smooth metric matrix function through data manifold to address the challenge of independently learning multiple metrics. However, this method uses the basic distance-based clustering algorithm to set the anchor points, which are the basis for local metric learning, and the number of basis metrics is dependent on the user. We propose a new method that can assign sophisticated anchor points by iteratively partitioning to identify mixed clusters of multi-class instances and cluster the most similar class instances together.
In an experiment, we demonstrate the reliability of the automatically set parameter by comparison with the distribution of error rates according to the number of basis metrics of the existing algorithm. Furthermore, we show the superior performance of the proposed method over a fixed parameter setting of existing algorithms and confirm the relative classification accuracy superiority through performance comparison with baseline algorithms.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 목적 1
• 제2절 연구의 범위 및 방법 3
• 1. 연구의 범위 3
• 2. 연구의 방법 5
• 제2장 연구에 관한 이론적 배경 7
• 제1절 거리 메트릭 학습 7
• 1. 표준 거리 메트릭 함수 7
• 2. 거리 메트릭 학습 10
• 3. 거리 메트릭 학습의 범주 13
• 제2절 관련 연구 15
• 1. Large Margin Nearest Neighbor (LMNN) 15
• 2. Cluster-Based Local Metric Learning (CBLML) 18
• 3. Parametric Local Metric Learning (PLML) 20
• 4. Clustered Multi-Metric Learning (CMML) 23
• 제3장 제안하는 방법론 27
• 제1절 개요 27
• 제2절 초기 클러스터 데이터 분포 분석 31
• 제3절 클러스터 분할 및 앵커 포인트 할당 36
• 제4장 실 험 41
• 제1절 데이터 세트 41
• 제2절 실험 설계 43
• 제3절 실험 결과 46
• 1. 학습 메트릭의 시각적 분석 46
• 2. 자동 설정된 매개변수의 신뢰성 평가 48
• 3. 기존 알고리즘 대비 성능 평가 51
• 4. 타 메트릭 학습 알고리즘과의 성능 비교 53
• 5. 타 메트릭 학습 알고리즘으로 확장 57
• 제5장 결론 60
• 참고문헌 62
• ABSTRACT 67