초록
쌍별 손실(pair-wise loss)은 동일한 의미 클래스에 속한 이미지가 다른 클래스의 이미지보다 더 가까운 위치로 매핑되도록 유도하는 손실 함수를 최적화함으로써 의미적 임베딩을 학습하는 메트릭 학습의 한 접근 방식이다. 기존 문헌에서는 쌍별 손실 전략의 다양한 변형들이 꾸준히 제안되고 있다. 본 연구에서는 이러한 손실 함수의 기울기를, 앵커-긍정 쌍(anchor-positive pair)과 앵커-음성 쌍(anchor-negative pair)의 상대적 특징 위치를 어떻게 이동시키는지와 관련된 구성요소로 분해한다. 이 분해를 통해 현재 널리 사용되는 쌍별 손실 함수의 대다수를 통합적으로 설명할 수 있다. 또한 이러한 효과를 분리해내기 위해 쌍별 기울기 업데이트를 명시적으로 구성함으로써, 각 요소가 어떤 영향을 미치는지에 대한 통찰을 얻을 수 있으며, 이는 CAR, CUB, 그리고 Stanford Online Products 데이터셋에서 이미지 검색 성능에서 최신 기술을 능가하는 간단한 알고리즘으로 이어진다.