Hard Negative Mining

释义 Definition

“Hard negative mining（困难负样本挖掘）”是机器学习/信息检索中的一种训练策略：在大量“负样本”（不匹配、不同类、错误候选）里，优先挑选那些最容易被模型误判为“正样本”的样本（即“难负样本”）来训练，从而更有效地提升模型的区分能力与鲁棒性。（也常见于度量学习、对比学习、目标检测与推荐系统。）

发音 Pronunciation (IPA)

/hɑːrd ˈnɛɡətɪv ˈmaɪnɪŋ/

例句 Examples

Hard negative mining helps the model learn faster.
困难负样本挖掘能帮助模型更快学习。

In our retrieval system, we use hard negative mining to select confusing non-matching items so the embedding space separates similar-looking products more reliably.
在我们的检索系统中，我们用困难负样本挖掘来挑选那些“看起来很像但其实不匹配”的条目，从而让嵌入空间更可靠地区分外观相近的商品。

词源 Etymology

该短语由三部分组成：hard（难的）、negative（负样本/负例）、mining（挖掘、筛选）。它并非传统语言学意义上的“古老词源”，而是源自机器学习实践中的术语化表达：把“从大量候选数据中挑选最有训练价值的负例”类比为“数据挖掘（mining）”。

相关词 Related Words

• Contrastive
• Triplet
• Negative
• Sampling
• Retrieval
• Embedding
• Metric
• Ranking

文献与作品 Literary / Notable Works

• FaceNet: A Unified Embedding for Face Recognition and Clustering（Schroff, Kalenichenko, Philbin, 2015）——在度量学习训练中讨论与“hard negatives（难负样本）”相关的采样思想。
• In Defense of the Triplet Loss for Person Re-Identification（Hermans, Beyer, Leibe, 2017）——提出“batch hard”采样（常被视作硬样本挖掘的一种实现）。
• HardNet: Hard Negative Mining for Local Descriptor Learning（Mishchuk et al., 2017）——标题即明确使用“hard negative mining”，用于学习局部特征描述子。