学习马氏距离度量以进行数据聚类和分类

距离度量是许多机器学习算法中的关键问题。 本文考虑了必须以链接和不能链接的形式从成对约束中学习的一般问题。 作为一种辅助信息,必须链接表示两个数据点对必须在同一类中,而不能链接表示两个数据点必须在两个不同类中。 给定必须链接和不能链接的信息,我们的目标是学习马氏距离度量。 在此度量标准下,我们希望必须链接中的点对的距离尽可能小,而不能链接中的点对的距离则尽可能大。 将该任务表述为一个约束优化问题,可以有效,高效地获得全局最优值。 最后,给出了在数据聚类,交互式自然图像分割和人脸姿态估计中的一些应用。 实验结果说明了该算法的有效性。