Waarom is dit belangrijk?
Systemen kunnen nieuwe gevallen naast eerdere voorbeelden leggen, zodat een zoekactie treffers oplevert die inhoudelijk dichtbij liggen. In de zorg gebruiken artsen en onderzoekers dit om medische beelden terug te vinden die lijken op een nieuw onderzoek. Patiënten en zorgverleners krijgen zo sneller vergelijkbare beelden te zien, maar zo'n gelijkenis vervangt geen medisch oordeel en blijft afhankelijk van de gebruikte voorbeelden.
Zo werkt het in de praktijk
In de techniek vergelijken teams simulatiebeelden van stroming, rook en weer. De Technical University of Munich test een geleerde maat op WeatherBench en de Johns Hopkins Turbulence Database. Die maat vergelijkt structuur, waar een gewone afstand alleen losse punten vergelijkt.
Onderzoek aan de Cornell University vraagt hoe een gelijkenismaat bij de taak past. Bij dezelfde teksten groepeert de ene taak op auteur en de andere op onderwerp. Daarom leert het model per taak een andere maat.
Similarity learning dient als voorbewerking voor clustering en het k-nearest-neighbor-algoritme. Clustering groepeert nabije objecten, en dat algoritme neemt het label van die buren over. De bibliotheek metric-learn werkt met scikit-learn, een pakket om modellen te bouwen en te testen.




