本文提出了一种基于提升法的技术，称为 BoostMetric，用于学习 Mahalanobis 距离度量标准，通过提升算法中有效和可扩展的学习过程，缓解了学习这种度量标准的主要困难之一，即确保 Mahalanobis 矩阵是正定半定的。在各种数据集上的实验表明，该算法在分类准确性和运行时间方面优于那些最先进的方法。

Oct, 2009

本文提出一种快速且可扩展的机器学习算法，用于学习马氏距离指标，并利用凸优化原理和梯度下降方法解决距离度量问题，实现在计算复杂性方面的显著提高，达到与现有方法相当的分类准确度。

Mar, 2010

本文介绍了一个派生于黎曼商几何的指标和均值，用于一组固定秩的半正定矩阵。从积极锥的缩紧几何和相关流畅自然度量，提出了所提出的指标。所得到的黎曼空间具有强的几何特性：它是测地线完成的，并且度量在保持角度的所有变换（正交变换、比例变换和伪逆变换）下是不变的。提出了与所关联的黎曼距离的有意义的近似，可以通过基于 SVD 的简单算法有效地数值计算。其中的几何平均保留着秩，具有最理想的几何平均特性并易于计算。

Jul, 2008

从第一原则出发，我们重新审视了从数据中学习欧几里得度量的任务，并将其表述为一个非常简单的优化问题。我们的解法具有很多优点，包括具有欧几里得几何吸引力的正定矩阵的里曼几何，易于解释和计算速度快等。在标准基准数据集上，我们的封闭形式解决方案始终达到更高的分类准确性。

Jul, 2016

研究在线非参数回归算法，可以学习回归函数平滑的方向；基于回归函数梯度外积矩阵 G，学习 Mahalanobis 度量（可以自适应 G 矩阵的有效秩），同时考虑到 G 的频谱，限制在相同数据序列上的遗憾；作为分析的初步步骤，将 Hazan 和 Megiddo 的非参数在线学习算法扩展，使其能够竞争相对于任意 Mahalanobis 度量计量 Lipschitzness 的函数。

May, 2017

本文提出了一种称为鲁棒测度学习的方法，旨在从嘈杂的侧面信息中学习距离度量，将学习任务最初制定为组合优化问题，并将其优雅地转换为凸规划问题，提出了一种基于平滑优化的高效学习算法，最后在 UCI 数据集上的实验研究证明了所提出方法的有效性。

Mar, 2012

本文介绍一种基于非半正定线性相似性的学习算法，用于分类，该算法能够通过最优化距离和相似度函数来在非线性特征空间中学习，该方法得到应用后，在各种数据集上比起现有方法具有更好的效果，而且速度快、防止过拟合和产生非常稀疏的分类器。

Jun, 2012

本文系统地综述了度量学习的前沿研究进展，着重分析了 Mahalanobis 距离度量学习、非线性度量学习、局部度量学习等新近涌现的强大替代方法，讨论了对于结构化数据的度量学习中仍存在的挑战，旨在给出度量学习近年来的发展方向。

Jun, 2013

本文主要研究关于使用梯度下降算法在一组定秩半正定矩阵的几何结构下建立回归模型，并且将该算法用于距离函数参数学习问题中，达到了不错的效果。

Jun, 2010

本篇论文提出一种新的核函数以及一种新的编辑相似性模型，可以更好地优化距离和相似度函数，提高 k 近邻算法的性能，并在学习相似性时考虑到泛化能力与算法的稳定性， 解决了当前度量学习方法的局限性，为特征向量和结构化对象（如字符串或树）的度量学习提供了新方法。

Jul, 2013