Los algoritmos de diagnóstico con inteligencia artificial están demostrando resultados comparables con expertos humanos en una amplia variedad de tareas. Sin embargo, requieren una gran cantidad de datos bien anotados para entrenar, que a menudo no es factible.

Las técnicas de metric learning han permitido una reducción en la necesidad de datos anotados, permitiendo el aprendizaje conocido como few-shot learning. Las loss functions de metric learning existentes han posibilitado la generación de modelos capaces de abordar escenarios complejos con la presencia de muchas clases y escasez en el número de imágenes por clase, no solo para tareas de clasificación, sino para muchas otras aplicaciones clínicas donde medir la similitud es la clave.

Las loss functions de última generación aún sufren de convergencia lenta debido a la selección de muestras efectivas para el entrenamiento, que ha sido parcialmente resuelta por la multi-class N-pair los al agregar simultáneamente muestras adicionales de diferentes clases.

Constellation loss va un paso más allá al aprender simultáneamente las distancias entre todas las combinaciones de clases. En nuestra publicación demostramos que la constellation loss supera al resto de funciones al obtener clústeres más compactos al mismo tiempo que obtiene mejores resultados de clasificación en la detección del cáncer.

[Constellation Loss](https://arxiv.org/abs/1905.10675) [Código]( https://git.code.tecnalia.com/comvis_public/piccolo/constellation_loss )