度量学习

Parent: ai_keywords

核心定义

度量学习（Metric Learning）旨在自动学习一个嵌入空间，使得在该空间中同类样本的欧氏距离或余弦距离更小，异类样本的距离更大。其本质是优化一个参数化的距离函数（通常为深度神经网络），以捕获数据间符合任务目标的相似性结构，广泛应用于分类、聚类、检索及少样本学习。

关键技术点

1. 对比损失（Contrastive Loss）
   通过成对样本的标签拉近正对、推远负对，是度量学习的基石。要求正对距离趋于0，负对距离大于边界值margin，适用于Siamese网络。

2. 三元组损失（Triplet Loss）
   以锚点、正样本、负样本构成三元组，约束：( d(a,p) + \text{margin} < d(a,n) )。直接优化相对距离，但训练时需高效的难例挖掘策略（如batch-hard）。

3. 邻域成分分析（NCA）
   将距离转化为概率分布（softmax归一化后），最大化同类样本被一起选中的概率。其梯度形式自然鼓励局部距离学习，后续发展为代理损失。

4. 代理损失（Proxy Loss）
   为每个类别引入可学习的“代理”向量，将锚点与所有代理的距离作为优化目标，避免三元组随机采样，大幅提升收敛速度与稳定性。

5. 结构化损失（Structured Loss）
   考虑批次内所有负对的关系（如Lifted Structured Loss、Multi-Similarity Loss），通过全局结构信息赋予难负例更大梯度，提升特征判别力。

医学/神经科学应用场景

阿尔茨海默病（AD）早期脑功能连接异常检测（首都医科大学宣武医院/北京脑重大疾病研究院背景）
利用度量学习，在静息态fMRI的脑功能连接矩阵上构建深度嵌入网络。将每位受试者的连接模式投影到低维空间，通过对比损失约束：

• 同类（AD患者 vs. 亚临床MCI）的嵌入距离最小化；
• 异类（AD vs. 健康对照）的距离最大化。
  联合时间动态特征与图拓扑度量，模型可发现海马体-后扣带回等核心脑区之间的异常功能耦合，实现早期AD患者与健康对照的分类准确率超过90%。进一步采用三元组损失对个体化认知下降轨迹进行度量，可预测MCI向AD转化的年内风险，为神经变性疾病的早期干预提供量化靶点。