度量学习是一种机器学习方法，旨在学习数据之间的相似度度量。

1. K最近邻（K-Nearest Neighbors，KNN）：

   • 简介：基于实例的学习方法，通过计算待分类样本与训练集中最接近的K个样本的距离，来进行分类或回归。
   • 模型结构：无需显式的模型结构，只需存储训练样本即可。

2. Siamese（孪生）网络：

   • 简介：通过共享权重的神经网络对一对输入样本进行编码，然后通过比较编码的相似性来进行度量学习。
   • 模型结构：通常由两个相同结构的子网络组成，分别对输入样本进行编码，然后通过距离度量来比较编码。

3. 三元组网络（Triplet Network）：

   • 简介：学习将一对样本之间的距离缩小，同时将另一对样本之间的距离放大，以此来学习相似性度量。
   • 模型结构：由三个相同结构的子网络组成，分别对锚点样本、正样本和负样本进行编码，然后通过距离度量来调整网络参数。

4. 核方法（Kernel Methods）：

   • 简介：通过将输入数据映射到高维特征空间，利用核函数来计算样本之间的相似度，从而进行度量学习。
   • 模型结构：可以基于支持向量机（SVM）等模型，利用核技巧来进行度量学习。

5. 原型网络（Prototype Network）：

• 简介：原型网络通过学习每个类别的原型向量来进行分类或度量学习。每个原型向量代表了该类别的中心或代表性。
• 模型结构：通常包含两个阶段：原型学习阶段和推理阶段。
  • 原型学习阶段：根据训练数据集学习每个类别的原型向量。
  • 推理阶段：根据测试样本与原型向量之间的距离来进行分类或度量学习。