Metraipolis › archive › dc_2292cfd53ba8
Fonction de coût par triplet — Wikipedia (fr)
- Source
- Wikipedia (fr)
- Original
- https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-11-07T08:49:36.155Z
- SHA-256 of the archived text
79fd3483ab5f7b1eb38e41140814bdd5ba5a2df398211eaedccd8ec0ea1d05de- Stable URL of this page
https://metraipolis.com/documento/dc_2292cfd53ba8
How to cite
Fonction de coût par triplet — Wikipedia (fr) — Wikipedia (fr), https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_2292cfd53ba8 (Metraipolis archive dc_2292cfd53ba8, sha256 79fd3483ab5f7b1eb38e41140814bdd5ba5a2df398211eaedccd8ec0ea1d05de)
BibTeX
@misc{dc2292cfd53ba8,
title = {Fonction de coût par triplet — Wikipedia (fr)},
howpublished = {Wikipedia (fr)},
url = {https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_2292cfd53ba8; sha256 79fd3483ab5f7b1eb38e41140814bdd5ba5a2df398211eaedccd8ec0ea1d05de},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (fr), https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
La fonction de coût par triplet (ou Triplet loss en anglais) est une fonction objectif pour les algorithmes d'apprentissage automatique où une entrée (appelée ancre) est comparée à une entrée positive (vérité) et une entrée négative (fausse). La distance entre les données de base (ancre) et l'entrée positive (vérité) est minimisée, tandis que la distance entre l'entrée de ligne de base (ancre) et l'entrée négative (falsifiée) est maximisée. Une première formulation équivalente à la fonction de coût par triplet a été introduite (sans l'idée d'utiliser des ancres) pour l'apprentissage métrique à partir de comparaisons relatives par M. Schultze et T. Joachims en 2003. En imposant l'ordre des distances, les modèles de perte de triplets implique qu'une paire d'échantillons avec les mêmes étiquettes a une valorisation plus petite en distance que des paires avec des étiquettes différentes. Il est souvent utilisé pour l'apprentissage de la similitude dans le but d'apprendre les incorporations, telles que l'apprentissage du classement, les plongement de mots, les vecteurs de pensée et l'apprentissage métrique. Envisager la tâche de former un réseau de neurones à reconnaître les visages (par exemple pour l'admission dans une zone de haute sécurité). Un classificateur formé pour classer une instance devrait être recyclé chaque fois qu'une nouvelle personne est ajoutée à la base de données de visages. Cela peut être évité en posant le problème comme un problème d'apprentissage de similarité au lieu d'un problème de classification. Dans notre cas, le réseau est entraîné (en utilisant une perte de contraste) pour produire une distance qui est petite si l'image appartient à une personne connue et grande si l'image appartient à une personne inconnue. Cependant, si nous voulons produire les images les plus proches d'une image donnée, nous aimerions apprendre un classement et pas seulement une similitude. Une fonction de coût par de triplet est utilisée dans ce cas. La fonction de perte peut être écrite à l'aide d'une fonction de distance euclidienne L ( A , P , N ) = max ( ‖ f ( A ) − f ( P ) ‖ 2 − ‖ f ( A ) − f ( N ) ‖ 2 + α , 0 ) {\displaystyle {\mathcal {L}}\left(A,P,N\right)=\operatorname {max} \left({\|\operatorname {f} \left(A\right)-\operatorname {f} \left(P\right)\|}^{2}-{\|\operatorname {f} \left(A\right)-\operatorname {f} \left(N\right)\|}^{2}+\alpha ,0\right)} où A {\displaystyle A} est notre entrée d'ancrage, que l'on veut tester, P {\displaystyle P} est une entrée positive de la même classe que A {\displaystyle A} , N {\displaystyle N} est une entrée négative d'une classe différente de A {\displaystyle A} , α {\displaystyle \alpha } est une marge entre les paires positives et négatives, et f {\displaystyle \operatorname {f} } est une intégration. Cela peut ensuite être utilisé dans une fonction de coût, c'est-à-dire la somme de toutes les pertes, qui peut ensuite être utilisée pour minimiser le problème d'optimisation posé J = ∑ i = 1 M L ( A ( i ) ,
Tema degli esploratori: scibile generale (retro-catalogo completo della fonte, senza filtro di tema) (deposito sistematico; retro-catalogo: tutte le voci di Wikipedia in francese, in ordine alfabetico).
Fonte: Wikipedia in francese, voce «Fonction de coût par triplet» — https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet
Wikidata Q60795200: «function for machine learning algorithms» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q60795200
Autori: i contributori di Wikipedia (cronologia: https://fr.wikipedia.org/wiki/Fonction_de_co%C3%BBt_par_triplet?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 237028400, consultata il 2026-11-07T08:45:09.915Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: ff2cfce1d82f805b1b6fd44b935a7d23a79b889ca9c8b3bddf4b4fce25b09ced