تظهر الدراسات الحديثة أن المطابقة الصريحة للسمات العميقة وكذلك البيانات التدريبية الكبيرة والمتنوعة يمكن أن تحسن بشكل كبير قابلية تعميم إعادة تعريف الشخص. ومع ذلك، لم يتم دراسة كفاءة تعلم المطابقات العميقة على بيانات كبيرة بما يكفي بعد. رغم أن التعلم باستخدام معلمات التصنيف أو ذاكرة الفصل هي طريقة شائعة، فإنها تتسبب في زيادة تكلفة الذاكرة والحسابات. بالمقابل، يعتبر التعلم المتري العميق بين الأزواج ضمن الدفعات الصغيرة خيارًا أفضل. ومع ذلك، فإن أسلوب العينة العشوائية الأكثر شهرة، وهو عينة PK المعروفة جيدًا، ليس معلوماتيًا وكفءًا لتعلم المقاييس العميقة. رغم أن التنقيب عن الأمثلة الصعبة عبر الإنترنت قدImproved learning efficiency to some extent, إلا أن التنقيب في الدفعات الصغيرة بعد العينة العشوائية لا يزال محدودًا. هذا ما دفعنا إلى استكشاف استخدام التنقيب عن الأمثلة الصعبة في مرحلة أقرب، وهي مرحلة أخذ العينات من البيانات.لتحقيق ذلك، نقترح في هذه الورقة طريقة أخذ عينات دفعات صغيرة فعالة تُعرف بـ "أخذ عينات الرسم البياني" (Graph Sampling - GS) للتعلم المتري العميق على نطاق واسع. الفكرة الأساسية هي بناء رسم بياني للعلاقات بين الجيران الأقرب لكل فصل في بداية كل حقبة زمنية (Epoch). ثم يتم تركيب كل دفعة صغيرة من فصل تم اختياره عشوائيًا ومن فصول جيرانه الأقرب لتوفير أمثلة معلوماتية ومثيرة للتحدي للتعلم. مع وجود خط أساسي تنافسي مكيف، نحن نحسن الحالة الحالية لإعادة تعريف الشخص القابل للتعميم بشكل كبير، بنسبة 25.1٪ في تصنيف الرتبة الأولى (Rank-1) على MSMT17 عند التدريب على RandPerson.بالإضافة إلى ذلك، تتفوق الطريقة المقترحة على الخط الأساسي التنافسي بنسبة 6.8٪ في تصنيف الرتبة الأولى (Rank-1) على CUHK03-NP عند التدريب على MSMT17. وفي الوقت نفسه، يتم تقليص وقت التدريب بشكل كبير، من 25.4 ساعة إلى ساعتين عند التدريب على RandPerson مع 8,000 هوية. يمكن الوصول إلى الشفرة البرمجية من خلال الرابط: https://github.com/ShengcaiLiao/QAConv.