**FDSML：利用参数感知三元组损失驱动公式化监督度量学习，提升无真实图像预训练效果**

_FDSML: Formula-Driven Supervised Metric Learning with Parameter-Aware Triplet Loss_

> 针对现有公式化监督学习（FDSL）将预训练简化为离散标签分类而丢失生成过程连续性的问题，研究提出了 FDSML。该方法结合改进的分形数据集 FineFractalDB 与参数感知三元组损失（PA-Triplet Loss），从图像生成参数空间而非离散标签中推导关系监督信号。实验表明，FDSML 在图像检索任务中显著提升了迁移性能（ResNet-50 在 Stanford Online Products 和 Stanford Cars 数据集上的 Recall@1 分别提升 8.4% 和 22.2%），并在下游分类及抗干扰鲁棒性上表现优异，证明了参数驱动的监督信号在超越识别任务的迁移学习中具有更强优势。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-30 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.39423)