本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

本文提出了 Network Laplacian Spectral Descriptor（NetLSD）方法，可以实现对大型图的快速比较，该方法是目前为止唯一一种既具有置换和尺寸等变性，同时又可扩展和高效计算的图形表示方法，并且具有比以往方法更好的表达性和效率。

May, 2018

通过理论分析揭示了图神经网络（GNN）校准与节点相似性之间的关系，并提出了一种新的校准框架 SimCalib，该框架能够考虑全局和局部层面上的节点相似性，实验证明节点相似性与模型校准的改进存在相关性，并通过在 14 个基准测试中达到最先进性能的大量实验，证明了提出的 SimCalib 框架对 GNN 校准的有效性。

Dec, 2023

本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

Sep, 2018

提出了一种新的网络比较度量 —— 网络画像差异，该方法可以比较各种类型的网络并揭示多层和时间网络的重要特征。

Apr, 2018

该论文提出了一种基于随机路径的取样方法，可准确估算顶点之间的相似性，通过实验证明该算法能够以比现有方法快 300 倍的速度在网络中获取任何顶点的前 K 个相似顶点。

Apr, 2015

该论文提出了一种基于神经网络的方法，通过学习与时间相关的二维数据集的相关性来计算数据的稳定泛化度量（LSiM），以用于数值模拟结果的比较。该方法应用连锁神经网络架构，通过对数值 PDE 解析器进行控制数据生成来提高数据多样性，其特殊损失函数允许对训练数据进行单个数据样本之间关联性的学习。同时，通过对多个测试数据进行实验，证明了该方法相较于其它现有的向量空间和图像度量方法有更好的效果。

Feb, 2020

本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。基于深度学习，通过学习与分配匹配像素对，建立了混合和端到端方法之间的平衡。同时，文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现，并在航空和卫星数据集上进行了实验，结果表明 DeepSim 网络优于混合方法和端到端方法，并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。

Apr, 2023

该研究论文通过对基于 ViT 的特征提取器集合的先进感知相似度度量的鲁棒性进行敏感性分析，提出了名为 LipSim（Lipschitz 相似度度量）的可靠感知相似度度量方法，并通过一系列实验证明了 LipSim 在自然分数、认证分数和图像检索应用方面的性能。

Oct, 2023

提出了一种基于熵的相似度模型，利用此模型提出了基于传输和运动模拟产生的标量和矢量数据相似性评估的物理意义的基准距离；此外，还提出了一个多尺度 CNN 架构用于计算体积相似度度量（VolSiM），该学习方法的提出是首次特别针对高维模拟数据相似性评估所面临的挑战；最后，评估了 VolSiM 的鲁棒性和概括性，并对其应用进行了实例讨论。

Feb, 2022