本文提出通过神经网络建立非度量相似度函数，从而学习图像的相似度度量与提高基于实例的图像检索表现，实验结果表明该方法在一些标准的图像检索数据集上表现出色。

Sep, 2017

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

本文针对未知说话人的 “开放式” 说话人识别问题，提出了一种度量学习的方法，该方法使用紧凑的嵌入来表示语音信息，并对最流行的损失函数进行了广泛评估，结果表明该方法优于现有的先进方法。

Mar, 2020

本论文旨在探究在不需要额外注释或训练数据的情况下，如何学习图像相似性的特征。通过构建一种新的三元组采样策略，实验结果表明，该方法可以显著提高深度度量学习的性能，并在各种标准基准数据集上实现了新的最优结果。

Apr, 2020

该研究旨在解决文档中的文本识别的泛化和灵活性问题。该研究提出了一种新模型，通过利用语言中字符的重复性，将文本识别转化为形状匹配问题，从而实现了外观的泛化和分类的灵活性。该模型可以解决传统架构无法解决的挑战，并在不同字母表的合成和真实数据集上进行了评估，得到了显著的改进。

Sep, 2020

本文提出了一种新的视觉识别范式，名为 ViRReq，通过将视觉识别分解成命名为请求的原子任务，并利用知识库和语言驱动识别，在功不完备的数据集上学习复杂的整体 - 部分层次结构，并且能够轻松地插入新的概念。

Jul, 2022

通过度量学习训练关键词识别的有效表示，提出一种新的基于度量学习的方法，可以对目标关键词和非目标关键词进行准确的识别，从而显著降低未知非目标关键词的误报率，并保持整体分类准确性。

May, 2020

本文介绍了一种算法鲁棒性的概念来推导度量学习的泛化界限，并且证明了弱稳健性是度量学习算法泛化的必要且充分条件，从而扩展了现有度量学习算法的泛化结果。

Sep, 2012

本篇论文研究了机器学习模型中过拟合和泛化的概念，发现 Recall@K 指标受到数据集中类数目的限制，提出了一种新的检索性能度量方法来估计泛化性能，应用于图像检索方法中，并对深度度量学习的泛化性能提供了新的见解。

Jun, 2023

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