昨天晚上寫完文章後，就按下了按鈕，想說之後可以再改。結果沒想到，今天看到，昨天寫的文章沒有按到「發表」！哇哩咧，這樣是不是就挑戰失敗惹...那我還要繼續寫嗎...

Metric Learning
考慮監督式學習，是將給予的影像或影片與正確的標籤做連結。而現在做的是一種較弱的監督式學習，輸出是相關性有多少，而不是直接給出結果是多少

像是不同的貓照片很相關，但貓與飛機的照片就不相關

Metric Learning 主要在學習不同物件之間的距離函數。

• 模型主要是取兩個不同的樣本，然後輸出判斷兩者有多像的距離
• 兩個物件有多像，取決於訓練資料的樣態，而不是真正實際的意義

是否很像、或是不像，或是有多像，是蠻常在人類中需要想像的。但傳統的監督式學習可能沒辦法做到這件事。而相似是有程度的，有的大有的小。

Q: 為何我們要處理這類型的資料，而不是用傳統的標籤呢?
相似性的樣本更好取得。像是在同一處地理位置所拍的照片。像是同時觀看的影像可能有關。搜尋的結果前幾個項目可能也相似。擊點搜尋的結果可能也是相似的。

Q: 仍然是監督式學習?
是的，但以不同的方式呈現結果。
比較:

• 迴歸 對應到一個 實數
• 分類 對應到一個 無序的類別，或對應到一個有序的類別

兩個常用的 metric learning methods

1. Triplet loss
2. Contrastive learning

資料擷取，用於排名的框架方法

應用在電腦視覺上

1. 臉面群集
2. 影片建議
3. image/video representation learning

Learning to Rank Problem:
下了要尋找的文字，然後列出相關排名的結果