Ranking loss在广泛的领域被使用。它有很多别名，比如对比损失(Contrastive Loss)，边缘损失(Margin Loss)，铰链损失(Hinge Loss)。还有常见的三元组损失(Triplet Loss)。
首先说一下什么是度量学习：
区别于常见的分类和回归。ranking loss的目标是去预测样本之间的相对距离，这个任务常常被称为度量学习(Metric learning)。
Ranking Loss的使用是比较灵活的，我们只需要一个可以衡量样本点之间相似度度量的东西就可以了。度量可以是二值的(相似/不相似)。也可以是连续的，比如余弦相似度。
使用ranking loss的过程中，我们可以从数据中抽出一些特征。然后基于一个距离度量函数以度量这些表达之间的相似度。以便于对特定的样本对产生特定的相似度度量。这种简单的度量被证明能够学习出强大的表征。
Ranking loss的表达式：
- 使用一对数据点。
- 使用三元组数据点。
这个图就是ranking loss用于人脸验证的例子。CNN的权重是共享的，我们称之为Siamese Net。
在使用一对数据点进行训练输入使用时，正样本对由((x_a, x_p))组成，这俩在我们需要评价的指标上是一致的。即度量上是相似的，这常常体现在标签相似。而((x_a, x_n))这俩在我们需要评价的指标上是不一致的。即度量上是不相似的，这常常体现在标签不一致。
在正样本对中，我们常常需要它们靠的越近越好。在负样本对上，我们则需要它们的距离起码大于一个人为设定的阈值。
这里设置阈值的目的在于，当负样本之间的距离足够大之后，表征已经足够好了。没必要再去优化它了，将进一步的训练关注在更加难的样本中。一个unified的表达如下：
三元组对的Ranking Loss：
三元组的ranking loss被称之为triplet loss。在这个设置中，三元组由((x_a, x_p, x_n))组成，其目标是，负样本对之间的距离和正样本之间的距离大于一个阈值m。可以表达为:
这个时候，根据他们之间的距离大小，可以分为：hard triplet， semi-hard triplet，easy triplet。
在训练的时候，一个重要的选择就是对于负样本进行挑选。称之为，负样本选择或者三元组采集(triplet mining)。一个原则时，easy triplet应该尽量避免被采集到，因为loss为0，所以对训练并没有贡献。