本文提出了一种无监督方法，使用基于图的聚类方法获取数据的伪标签，并使用三元组来引导度量学习，使用概率损失来最小化违反角度约束的几率，从而实现无需使用类标签的度量学习。研究表明，该方法具有竞争力，并对该方法的不同组成部分进行了全面研究。

Aug, 2020

本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

通过学习近似度度量方法，提出了一种新颖的学习优化方法，用于加速解决受限制的优化问题，对于包括广义二次规划问题在内的实际问题形式，通过不可微优化可以学习到更好的近似度度量，以增强优化算法的收敛性，并揭示了学习到的近似度度量与优化问题最优解的活动约束之间的强连接，将学习近似度度量视为一种主动集学习的形式。

Apr, 2024

本文提出了一种基于 Soft Orthogonality (简称 SO) 的新方法来解决深度度量学习 (DML) 中代理点出现的问题，并结合数据高效的图像变换器 (DeiT) 作为编码器提取图片的上下文特征，以数据集检索等实验结果表明该方法在超越现有技术的同时，还具有更高的可靠性和实用性

Jun, 2023

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

本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。

Sep, 2019

使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

Mar, 2017

使用相同的距离阈值将不同的测试类别 / 分布应用于商业图像检索系统的能力是非常可取的；然而，最先进的深度度量学习损失常常导致高度变化的类内和类间嵌入结构，使得阈值校准在实践中成为一个非常复杂的过程。本文提出了一种名为操作点不一致性分数（OPIS）的新度量，用于衡量目标校准范围内不同类别之间操作特性的方差，并且证明度量学习嵌入模型的高准确性不能保证对已见和未见类别的校准一致性。我们发现，在高准确性区域存在一条帕累托前沿，在提高准确性的同时牺牲校准一致性。为了解决这个问题，我们开发了一种名为校准感知边界（CAM）损失的新型正则化方法，以在训练过程中鼓励类别间表示结构的一致性。大量实验证明了 CAM 在提升校准一致性的同时保持甚至提高准确性方面的有效性，并且优于最先进的深度度量学习方法。

Jul, 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