到目前为止，我已经阅读了一些被高度引用的度量学习论文。此类论文的总体思想是学习一种映射，使得具有相同标签的映射数据点彼此靠近并且远离其他类的样本。为了评估此类技术，他们报告了 KNN 分类器对生成的嵌入的准确性。所以我的问题是，如果我们有一个标记数据集并且我们有兴趣提高分类任务的准确性，为什么我们不在原始数据点上学习分类器。我的意思是，我们可以学习适合（未嵌入）数据点的分类器，而不是寻找适合 KNN 分类器的新嵌入。根据我到目前为止所读到的内容，此类分类器的分类准确性比度量学习方法要好得多。是否有一项研究表明，至少在某些数据集上，度量学习+KNN 的性能优于拟合（好的）分类器？