本文介绍了关于迁移测度学习的分类和度量传递策略，包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时，总结和探讨了迁移测度学习的不同方法及其应用，并指出了未来可能的研究方向和挑战。

Oct, 2018

该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

Aug, 2022

本文讨论了如何在多领域和多语言神经机器翻译 (MDML-NMT) 中跨语言传输领域信息，以提高零样本翻译性能和帮助域缺失的多领域 NMT 的泛化。通过组合多语言和多领域 NMT 及添加编码器目标语言标签等有效策略，实现了学习到有针对性的表示和提高性能的目的。

Oct, 2022

提出了一种学习跨多个不同领域数据集应用的传输度量的框架，在使用基于嵌入空间的指定聚类的情况下，在少量训练集和浅层网络的情况下，我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。

Feb, 2023

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

本文提出了一种基于神经网络的新视角，并引入语义描述符的概念，从而将多任务学习和多域学习统一起来，并将各种经典和最新的多任务学习 / 多域学习算法解释为构建语义描述符的不同方式。通过本文的解释，可以提供一种零样本学习（ZSL）的替代方法，而且新的实践问题 —— 零样本域适应（ZSDA）也得以提出。实验表明，我们的框架在各种问题上都胜过了许多其他方法。

Dec, 2014

综述了异构迁移学习方法的最新发展，为未来的研究提供了系统的指南，包括自然语言处理、计算机视觉、多模态和生物医学等各种应用场景。

Oct, 2023

本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning，通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间，之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界，提高在分布偏移下的一般化，并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。

Jun, 2022

使用数据增强的领域自适应方法改进了代理度量学习，通过对鸟类图像、汽车图像、产品图像和衣物图像的实验表明，该方法显著提高了现有代理损失方法的效果，并获得了优于现有方法的结果。

Jan, 2024

本文研究了多领域不平衡学习（MIL）的情形，提出了一种名为 DCMI 的领域感知对比知识传递方法来鼓励正向传递相似领域间的共享领域知识并最小化来自不同领域的负向传递。在三个不同的数据集上评估了 DCMI 的性能，展示了不同的 MIL 方案中显著的改进。

Apr, 2022