特徴ベクトルおよび構造化データのためのメトリック学習に関する調査

データ間の距離や類似性を測定する適切な方法の必要性は、機械学習、パターン認識、データマイニングにおいて普遍的であるが、特定の問題に対して良いメトリックを手作業で作成することは一般的に難しい。このため、データからメトリックを自動的に学習することを目的としたメトリック学習が登場し、過去10年間にわたって機械学習および関連分野で多くの関心を集めてきた。本調査論文は、メトリック学習文献の体系的レビューを提案し、各アプローチの長所と短所を強調する。特に、よく研究され成功を収めたフレームワークであるマハラノビス距離メトリック学習に注目しつつ、非線形メトリック学習、類似度学習、局所メトリック学習など、最近出現した強力な代替手法についても幅広く紹介する。最近のトレンドや拡張、例えば半教師ありメトリック学習、ヒストグラムデータのメトリック学習、一般化保証の導出なども取り上げる。最後に、この調査は構造化データのメトリック学習、特に編集距離学習に関するものであり、今後のメトリック学習における残された課題の概要を示す。