詳細解釋
三元組損失（Triplet Loss）是度量學習（Metric Learning）的損失函數，學習一個嵌入空間，使相似樣本距離近，不相似樣本距離遠。
基本單位：三元組（Triplet）
- 錨點（Anchor）：參考樣本
- 正樣本（Positive）：與錨點同類別的樣本
- 負樣本（Negative）：與錨點不同類別的樣本
損失定義：
L = max(0, d(a,p) - d(a,n) + margin)
- d(a,p)：錨點與正樣本的距離
- d(a,n)：錨點與負樣本的距離
- margin：間隔超參數（通常0.2）
目標：
- d(a,p) < d(a,n) - margin
- 正樣本比負樣本更接近錨點至少margin
- 否則產生損失
距離度量：
- 歐氏距離（L2）：||a - b||₂
- 餘弦距離：1 - 餘弦相似度
- 其他：馬氏距離等
困難樣本挖掘（Hard Negative Mining）：
- 簡單三元組：隨機選擇，可能太簡單，模型學不到東西
- 困難負樣本：d(a,n)很小的負樣本（看似相似但不同類）
- 半困難負樣本：d(a,n) > d(a,p)但仍產生損失的負樣本
- 策略：每個批次挖掘困難樣本
應用場景：
- 人臉識別：FaceNet使用三元組損失
- 圖像檢索：找到與查詢圖像相似的圖片
- 文本相似度：學習語義嵌入
- 推薦系統：用戶-物品匹配
優勢：
- 直接優化相對距離
- 適合檢索和識別任務
- 學習有判別性的特徵
挑戰：
- 三元組選擇策略影響大
- 收斂可能比較慢
- 大規模數據集需要高效挖掘
三元組損失是學習判別性嵌入的強大工具。