关于度量学习，之前没有看太多相关的文献。不过南京的周老师的一篇NIPS，确实把这个问题剖析得比较清楚。
Mahalanobis距离一般表示为d=(x-y)TM(x-y),其中x和y是空间中两个样本点，M就是要学出的度量。
这里的度量的在马氏距离公式的意义是，在先验概率不等的情况下，用M作为协方差参数，表示样本点在空间中疏密程度。固然马氏距离也有缺点，将样品不同属性间差别视为等同量的差别，这样就放大了微小差别变量的影响权重；但是马氏距离确乎是搞清楚之后能继续深入学习度量学习的一个重要概念。
https://blog.csdn.net/jmy5945hh/article/details/20536929
此外，对hingeloss的解释，这位朋友的博客的图说明比较直观
http://www.cnblogs.com/ooon/p/5539687.html