以更少做得更好！經驗成對損失估計/最小化的採樣技術

這篇研究論文探討了機器學習中常見的成對損失函數計算成本過高的問題，尤其是在相似度學習、排序和聚類等應用中。論文提出，透過借鑑調查採樣技術，只需保留一部分對的信息，就能在估計或優化性能上達到與使用所有對相近的效果。研究強調，採樣策略應直接針對對進行，而非個別數據點，這是基於理論和實驗支持的核心發現。對於高維向量如視覺嵌入或圖學習中的成對損失，利用輔助信息來識別並優先採樣信息對，可以獲得接近全對評估的性能，從而提供一個有原則且理論基礎穩固的權衡，兼顧準確性和計算效率。這項研究為大規模機器學習應用提供了高效的解決方案。