该研究论文介绍了 metric-learn 这个开源 Python 包，它实现了有监督和弱监督距离度量学习算法，并提供了与 scikit-learn 兼容的统一接口，方便进行交叉验证、模型选择和管道处理。metric-learn 经过了充分的测试，并且在 MIT 许可证下在 PyPi 上提供。
Aug, 2019
该研究介绍了 Torchmeta，这是一个构建在 PyTorch 之上的库，可在多个数据集上提供元学习算法的一致和无缝评估，它提供了数据加载器和元数据集抽象。
Sep, 2019
本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。
Feb, 2021
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
通过深度度学习，优化深度神经网络的目标函数在创建输入数据的增强特征表示中起着至关重要的作用。然而，基于交叉熵的损失函数对于具有大的类内差异和低的类间差异的输入数据分布来说往往不够充分。深度度量学习旨在通过学习将数据样本映射到代表性嵌入空间的表示函数，以度量数据样本之间的相似性。它利用精心设计的采样策略和损失函数，帮助优化产生具有低类间和高类内方差的区分性嵌入空间的生成。在本章中，我们将概述该领域最新的进展，并讨论最先进的深度度量学习方法。
Dec, 2023
通过对 PGD 攻击下的深度表示的实证分析，我们发现攻击会导致内部表示向 “误分类” 类别移动。基于此观察，我们提出了使用度量学习来规范攻击下的表示空间，从而产生更强健的分类器。通过精心抽样度量学习实例，我们的学习表示不仅提高了鲁棒性，还可以检测先前未见过的对抗性样本。量化实验表明，相对于以前的工作，我们的方法使得鲁棒性准确度提高了 4％，检测效率提高了 6％。
本教程提供了关于距离度量学习的理论基础和基础知识，以及最常见算法的全面实验分析，重点考虑降维和核化，在标准分类问题中评估所有算法的能力，并讨论了这个领域的未来前景和挑战。
Dec, 2018
本文研究了在高维数据情况下的度量学习问题，提出了一种基于 LogDet 距离的学习线性变换的框架，并证明了它可以被有效地核化以学习任意高维空间中的度量，同时还可以将广泛类别的凸损失函数类似地核化，以扩展度量学习的潜在应用。同时，我们证明了这种方法在计算机视觉和文本挖掘等真实世界问题中的有效性。
Oct, 2009
本文介绍了深度学习框架 PyTorch 的原则、架构及其对硬件的支持，重点阐述了 PyTorch 是一种 Pythonic 编程风格的机器学习库，同时保持了高效性。
Dec, 2019
我们提出了 TorchBench，一个用于研究 PyTorch 软件栈性能的基准套件，能够全面表征 PyTorch 软件栈的性能，引导跨模型、PyTorch 框架和 GPU 库的性能优化。
Apr, 2023