本文研究了从一群回答者中同时进行偏好和度量学习的问题，旨在捕捉单个用户的偏好和相似度度量标准，同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量，证明了该模型足够灵活，能够有效地满足不同需求，并提高了学习的样本复杂度，最终在模拟数据和真实数据中进行了实际效果验证。

Jul, 2022

度量学习、偏好比较、理想点模型、马氏距离、低维结构

Mar, 2024

本文介绍了一种新的方法，该方法针对推荐系统中的偏好建立了一种 Mahalanobis 度量，进而学习理解用户对物品的理想点。

Sep, 2020

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

利用主动学习策略来最大化信息收集，在低维空间中通过成对比较预测用户偏好向量的两个新策略，验证表明其在性能方面优于现有的选择方法和随机查询。

May, 2019

本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

Jan, 2021

本研究介绍了保证满足三角不等式的新型深度度量学习架构，能够更好地对图距离进行建模，并在多目标强化学习中具有更好的约束条件。

Feb, 2020

本文解决了学习如何从成对偏好中排名的问题，并提出一种主动学习算法来优化线性排序的查询复杂度，同时尽可能地减少成对偏好标签的不一致性。

Oct, 2010

本文研究了半度量空间中的分类问题，定义并探索了密度维数在统计学和算法可行性中的中心作用，并提出了接近最优的样本压缩算法，得到了具有独立意义的广义样本压缩方案的泛化保证。

Feb, 2015

研究一种扩展主动学习的方法，其中学习算法可以要求注释者比较两个示例与其标签类边界的距离，并使用半空间的框架展示这种方法的优越性。

Apr, 2017