无监督深度度量学习通过仅使用无标签数据来学习语义表示空间，其中准确估计数据点之间的相似度是一个具有挑战性的问题。为此，我们提出了使用分段线性逼近来建模高维数据流形的方法，其中每个低维线性段近似于点周围小邻域内的数据流形。通过这些邻域来估计数据点之间的相似度。实验证明，与现有最先进技术的相似度估计相比，我们的方法更好地与真实情况相关。我们还证明，在无监督环境中可以使用代理模型分段线性流形，从而提高性能。我们的方法在标准零样本图像检索基准测试上优于现有的无监督度量学习方法。

Mar, 2024

本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。

Jun, 2021

本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

Aug, 2023

提出了一种名为自适应流形的方法，用于解决在真实数据集不平衡环境下的转导式 few-shot 学习，该方法利用标记支持示例和无标签查询的底层流形来预测每个查询的类概率分布，并优化所有参数，表现出比其他最先进方法更好的性能。

Apr, 2023

提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

Aug, 2020

本文提出了一种对抗学习方法，使用 Lie 群算子直接建模深度神经网络的潜在流形，在图像数据自监督评估和少标注的半监督任务中都表现出了良好的性能。

Jun, 2023

介绍了一种基于非线性流形学习的方法，利用潜在映射高斯过程或深度自编码器来检测无监督设置下的异常值，具有更好的性能。

Jun, 2023

本文提出了一种基于流形学习的哈希方法，包括解决样本外数据问题的有效归纳解决方案和用非参数流形学习作为哈希方法基础的过程，以提高现有算法的规模，并展示了基于 t-SNE 的哈希方法在大规模基准数据集上的优越性和通过最小化量化误差以及加入标签信息等方法进一步提高语义检索性能的应用。

Dec, 2014

本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。

Jul, 2022

本文介绍了一种基于流形学习的紧凑二进制哈希算法，解决了流形学习在大规模嵌入中的问题，并提出了一个有效的方法来解决样本外数据问题，特别是基于 t-SNE 实现的哈希算法。

Mar, 2013