Siamese Neural Network (SNN: 孪生神经网络)

0. 概述

• GLA：Generalized Linear Assignment （通用线性分配）

1. 用途

• 衡量两个输入的相似程度。
• 孪生神经网络有两个输入（Input1 and Input2）,将两个输入feed进入两个神经网络（Network1 and Network2），这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示。通过Loss的计算，评价两个输入的相似度。

2. SNN网络结构

• Network1和Network2是同一个网络，且它们的权值都一样。

3. PSNN网络结构

• PSNN：Pseudo-Siamese Neural Network (伪孪生神经网络 )
  
• 其Netowrk1和Network2可以是不同的神经网络（如：左边是LSTM，右边是CNN），也可是相同类型的神经网络
• 其权值不共享

4. 孪生神经网络和伪孪生神经网络的区别

• 孪生神经网络用于处理两个输入"比较类似"的情况。
• 伪孪生神经网络适用于处理两个输入"有一定差别"的情况。
• 如：我们要计算两个句子或者词汇的语义相似度，使用siamese network比较适合；如果验证标题与正文的描述是否一致（标题和正文长度差别很大），或者文字是否描述了一幅图片（一个是图片，一个是文字），就应该使用pseudo-siamese network。也就是说，要根据具体的应用，判断应该使用哪一种结构，哪一种Loss

5. SNN损失函数

• Softmax当然是一种好的选择，但不一定是最优选择，即使是在分类问题中。传统的siamese network使用Contrastive Loss。
• 损失函数还有更多的选择，siamese network的初衷是计算两个输入的相似度,。左右两个神经网络分别将输入转换成一个"向量"，在新的空间中，通过判断cosine距离就能得到相似度了。
• Cosine是一个选择，exp function也是一种选择，欧式距离什么的都可以，训练的目标是让两个相似的输入距离尽可能的小，两个不同类别的输入距离尽可能的大。
• 根据实验分析，cosine更适用于词汇级别的语义相似度度量，而exp更适用于句子级别、段落级别的文本相似性度量。其中的原因可能是cosine仅仅计算两个向量的夹角，exp还能够保存两个向量的长度信息，而句子蕴含更多的信息。

6. 轨迹关连