關於度量學習，之前沒有看太多相關的文獻。不過南京的周老師的一篇NIPS，確實把這個問題剖析得比較清楚。

Mahalanobis距離一般表示為d=(x-y)^TM(x-y),其中x和y是空間中兩個樣本點，M就是要學出的度量。

這裡的度量的在馬氏距離公式的意義是，在先驗概率不等的情況下，用M作為協方差引數，表示樣本點在空間中疏密程度。固然馬氏距離也有缺點，將樣品不同屬性間差別視為等同量的差別，這樣就放大了微小差別變數的影響權重；但是馬氏距離確乎是搞清楚之後能繼續深入學習度量學習的一個重要概念。

https://blog.csdn.net/jmy5945hh/article/details/20536929

此外，對hingeloss的解釋，這位朋友的部落格的圖說明比較直觀

http://www.cnblogs.com/ooon/p/5539687.html