本文提出了一种名为 Adversarial Training with Triplet Loss 的算法，通过利用距离度量学习技术中的 Triplet Loss 方法，提高了深度神经网络的鲁棒性，并在此基础上提出了一个集合版本的算法，可以取得更好的防御效果。同时，作者还证明了此三元组损失可以用于提高其他防御方法的性能。

May, 2019

提出一种新的深度神经网络训练目标函数，叫做流形规范网络（MRnet），通过最小化样本和对抗样本的多层嵌入结果之间的差异来提高对抗性鲁棒性，实验结果表明 MRnet 更具有对抗性鲁棒性，并帮助我们在流形上推广表示。此外将 MRnet 和 dropout 相结合，为三个著名的基准测试数据集（MNIST，CIFAR-10 和 SVHN）实现了有竞争的分类性能。

Nov, 2015

本研究提出了一种新的鲁棒训练方法，即 Fast Triplet Metric Learning (FTML)，通过采用三元组度量学习来让相似的样本在嵌入空间中的表示更接近，并与其敌对样本有类似的表示，从而提高自然语言处理模型在对抗攻击下的鲁棒性。实验证明，该方法不仅有效地提高了模型的鲁棒性，而且效率高，可在标准训练中引入很少的开销，具有很大的潜力来提高文本的鲁棒性。

Feb, 2022

本文主要介绍了如何使用经过改进的对抗训练方法来解决网络嵌入过程中的过拟合问题，最终取得了较好的模型健壮性和泛化性能，并从节点分类和链接预测两个方面评估了模型的有效性。

Aug, 2019

本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。

Apr, 2019

本文提出了一种新的方法，通过利用信息丰富的潜在嵌入及其高内类相关性，从同质样本的子集中创建虚拟嵌入，并使用这些虚拟嵌入来降低它们在潜在嵌入空间中的类间相似度，以达到模型规范化的目的且不需要昂贵的超参数搜索，并在两个流行和具有挑战性的图像分类数据集（CIFAR 和 FashionMNIST）上验证了方法的有效性。

Apr, 2023

本文提出了一种新颖的深度度量学习方法，该方法将三元组模型和嵌入空间的全局结构相结合，依赖于智能挖掘过程以在低计算成本下产生有效的训练样本，通过自适应控制器来加快训练过程的收敛速度，并在实验证明相比其他竞争挖掘方法，我们的方法可以更快地进行更准确的三元组 ConvNets 训练，同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。

Apr, 2017

本文介绍了一种用于深度度量学习的新型基于距离的正则化方法，即多级距离正则化，可以使嵌入向量之间的成对距离受到多个级别的限制，并对训练过程进行了详细描述以及性能分析。

Feb, 2021

本文研究了深度神经网络的输入梯度正则化，并证明了这种正则化可以导致泛化证明和改进的对抗性稳健性。通过将对抗训练与 Lipschitz 正则化相结合，可以使模型更加稳健，并且可以使用图像的梯度范数进行攻击检测。

Aug, 2018

本文在嘈杂标签的假设下，使用 Triplet Loss 训练卷积神经网络学习能区分特征，并通过 K-means 和相关聚类评估三种 Triplet Loss 公式的聚类性能，提出一个新的公式优于现有方法，应用于 CIFAR-10 图像分类数据集。

Jul, 2020