摘要
现有的度量学习损失函数可分为两类：基于样本对（pair-based）和基于代理（proxy-based）的损失。前者能够利用数据点之间的细粒度语义关系，但由于训练复杂度较高，通常导致收敛速度较慢；相比之下，后者能够实现快速且可靠的收敛，但难以捕捉数据之间的丰富关联关系。本文提出一种新型的基于代理的损失函数，兼具两类方法的优势，同时克服了各自的局限性。得益于代理机制的引入，所提损失函数显著提升了收敛速度，并对噪声标签和异常值具有较强的鲁棒性。与此同时，该方法在梯度计算中允许数据的嵌入向量之间相互作用，从而有效挖掘数据间的关联关系。我们在四个公开基准数据集上对所提方法进行了评估，实验结果表明，使用该损失函数训练的标准网络不仅达到了当前最优的性能表现，而且收敛速度最快。