该论文提出了一种称为 Hard View Selection (HVS) 的策略，通过引入困难样本来改善对比学习模型的表现，该策略在多个对比学习方法上显著提高了准确性。

Oct, 2023

本文提出了一种硬度感知的深度度量学习（HDML）框架，通过利用线性插值对嵌入空间进行自适应调整，生成相应的保留标签合成数据进行回收训练，以充分利用所有样本中 buried 的信息，从而使度量始终面对适当的困难程度。实验结果表明，本方法在 widely used 的 CUB-200-2011、Cars196 和 Stanford Online Products 数据集上表现出极具竞争力的性能。

Mar, 2019

本文提出了一种叫做 A-Softmax 的损失函数来训练卷积神经网络，以学习面部图像特征，使得最大内类距离小于最小类间距离，从而解决开放集（open-set）协议下的人脸识别问题。与之前的算法相比，该方法在 LFW、YTF 和 MegaFace Challenge 数据集上取得了更好的结果。

Apr, 2017

本研究提出了一种新的角度损失来学习更好的相似性度量，在三角形中约束负面点的角度具有大小不变性，并强制施加三阶几何约束，从而捕捉比对比损失或三重对损失更多的局部结构。

Aug, 2017

通过提出一种新的测量指标 —— 对抗超体积（adversarial hypervolume），该研究验证了该指标对于揭示深度学习模型鲁棒性中微妙差异的有效性，为当前和未来的防御模型的韧性评估和基准制定提供了标准。

Mar, 2024

提出了一种基于对比学习的知识图谱嵌入（KGE）训练框架，称为 Hardness-aware Low-dimensional Embedding（HaLE），使用查询采样设计了一种新的损失函数来平衡对齐和均匀性两个重要的训练目标，并提出了一个轻量级的硬度感知激活机制，实验结果表明，经过 HaLE 训练的模型在有限的训练时间内，可以有效地改善 KGE 模型在五个常用数据集上的性能和训练速度。

Jan, 2022

本文研究了采用对抗攻击中的晕影来嵌入有意误导信息，制造自然的对抗样本，并通过物理模型下的径向各向同性和径向异向性嵌入有效的晕影区域，达到更高迁移性和更好的图像质量，攻击 4 种不同的卷积神经网络。

May, 2021

我们提出了一种新的损失函数，它根据样本的预测难度动态重新调整交叉熵，以解决深度神经网络在图像分类和人体姿势估计中无法准确区分相似对象和对称身体部位的问题。该损失函数惩罚网络以避免虚假预测的分数显著，我们在两种不同的领域中评估它，并发现与基线方法相比，在两个应用程序中都实现了更高的准确性。

Sep, 2019

本文介绍了在 Adversarial Robustness 领域中，量化 adversarial noise 的影响的新概念 ——Adversarial Severity，并提出了使用基于 Hierarchical Attacks 的新型防护方法和 Hierarchical Curriculum Training 训练方法来提高深度模型的 Robustness 和减轻所有攻击的 severity。实验表明，这种防护方法可以使深度模型的 Robustness 提高 1.85％，平均减少攻击的 severity 0.17。

Aug, 2021

本研究使用角度 softmax (A-softmax) 替代传统的 softmax loss 和三元组损失，将其引入端对端说话人验证中进行特征学习，结合 PLDA 后进一步提升了该系统的性能。

Jun, 2018