度量优化的例子权重
本文介绍了一种名为 MetricOpt 的方法，它通过学习可微的价值函数，实现直接优化任意不可导的任务评估指标，并在图像分类、图像检索和目标检测等多个领域取得了最先进的性能表现。
Apr, 2021
本文提出了一种完整的理论框架来形式化加权分类度量标准，并构建了可优化这些度量标准的损失函数。该框架包括了经典的成本敏感学习、加权交叉熵损失函数和价值加权技能得分等方法作为特例。
May, 2023
该研究提出了一种新的度量分类器拟合度的度量标准 —— 实际成本函数，该函数结合了有关实际问题的信息，例如财务影响，以及用户更易于解释的特性。为了优化这个度量标准，作者介绍了基于实际成本函数的损失函数，并比较了损失函数的设计和已有的损失函数，通过 MNIST 数据集的模拟情境对其效果进行了实证研究。
Jan, 2020
通过元学习自适应损失函数直接优化了评估指标，提出了一种样本高效的强化学习方法来动态调整损失，证明了这种方法在度量学习和分类场景下优于现有技术，并具有良好的通用性。
May, 2019
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
提出了一种度量给定数据集中某个训练或测试实例在概率分布中的离群程度的技术，并使用五种不同的定义 “well-represented” 方法对四个常见数据集进行了评估，发现这些方法高度相关，可以用于识别样本，在课程学习中改进排序并提高鲁棒性。
Oct, 2019
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