稀疏组合度量学习
该研究提出了一种使用参数化相似性度量的方法，将其作为具有特定稀疏结构的秩一矩阵的线性组合，此方法可以高效地处理高维稀疏数据，并通过近似的 Frank-Wolfe 过程优化参数以满足训练数据上的相对相似性约束，实验结果表明该方法具有分类、降维和数据探索的潜力。
Nov, 2014
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
用低秩方法从数据中学习马氏度量，该方法受到几何平均度量学习算法的启发，可以联合学习低维子空间和适合数据的马氏度量，结果显示在更低的秩下可以有效地与几何平均度量学习算法竞争。
Jun, 2018
本文介绍一种新的参数化定向 metric 学习方法，通过学习数据流形上的平滑 metric 矩阵函数，将本地度量作为区域不同点的锚定点上定义的基本度量的线性组合来学习，并应用 manifold 正则化来使学习到的 metric 矩阵函数沿着数据流形的测地线平滑变化，表现出极好的预测能力和可扩展性，并优于多种全局和局部的最先进的度量学习方法以及具有自动内核选择的支持向量机 (SVM)。
Sep, 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
提出了一种自适应度量学习方法，该方法能够从元训练任务中获得一组评估度量，并自动确定最佳加权组合，以捕捉自然语言领域中新的 few-shot 任务的复杂任务变化。在真实情感分析和对话意图分类数据集上进行了广泛的定量评估，结果表明所提出的方法在预测准确性方面表现优于现有的 few shot learning 算法。
May, 2018
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