提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。

Sep, 2015

本文旨在解决使用神经网络嵌入模型学习非常大的语料库相似度函数的问题。我们提出了一种新的高效方法，通过添加全局二次惩罚项并将其表达为两个广义格拉姆矩阵的矩阵内积来训练这些模型，并开发了方差减少方案来提高估计质量。我们进行了大规模实验，结果表明与传统抽样方法相比，训练时间和泛化质量都有显着改善。

Jul, 2018

本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

Feb, 2022

提出了一种新的神经网络相似性计算方法，采用特征向量和梯度向量作为模型表示，结合快速绘图技术可以高效地比较不同数据集中神经网络的相似性。

Mar, 2020

本研究介绍了一种显式嵌入方法，将流形搜索转化为欧氏距离搜索，并且利用近似傅里叶基础加速在线搜索，从而提高了特定对象的检索精度和效率。

Mar, 2017

本文研究了深度神经网络中图像对的相似性函数的学习方法，通过利用嵌入集合中的独立性来提高嵌入的鲁棒性，并借助在线梯度提升问题来划分深度网络的最后嵌入层。通过提出两个损失函数来增加集合的多样性，可用于权重初始化过程或训练期间，对图像检索任务的评估表明，我们的度量学习方法在多个数据集上均取得了比业界领先方法更好的表现。

Jan, 2018

本论文提出了一种用于学习深度嵌入的损失函数，该函数使用正负样本对的相似度分布来计算概率，不需要调整参数，适合使用随机优化方法进行优化，并在实验中表现良好。

Nov, 2016

本文通过对现有线性嵌入的文献进行研究后，识别出其中的一些关键问题和误解，并在解决这些问题的基础上，极大地提高了利用线性嵌入进行 Bayesian 优化的效能，包括机器人运动中学习步态策略等方面。

Jan, 2020

本文提出了一种新的相似性学习框架，通过最小化核矩阵的重构误差，而不是现有的重构数据的误差，来提取相似性信息，并在聚类任务中展示了明显的改进，而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。

Mar, 2019

本研究提出了一种利用类似集合训练模型的方法，通过添加基于 hinge 和正交约束的两个新项到目标函数中，避免了训练过程中出现的收缩、部分收缩和崩溃问题，并在公共和真实数据集上的实验表明，在只使用类似对的情况下，该方法优于采用大量非类似对的最先进的方法。

Aug, 2022