本文提出采用最大化间隔损失的优化目标，定义类间隔与样本间隔，推导出广义的间隔 softmax 损失，并在此基础上设计出新工具，即样本间隔正则化、适用于类均衡情形的最大间隔 softmax 损失和适用于类不平衡情形的零中心正则化。实验结果表明，本文的方法对于视觉分类、样本不平衡分类、人员重新识别和人脸验证等任务具有很好的效果。

Jun, 2022

本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法，该方法显著优于常规 softmax 损失函数，并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析，发现尽管负边距会降低训练班级的发散度，但它也可以避免将同一新班级的样本错误地映射到多个峰值或簇中，从而有助于新班级的区分。

Mar, 2020

本文提出了一种基于边缘的二元分类方法 ECM，用于解决目标检测中数据不平衡导致的长尾问题，并在 LVIS v1 基准测试中获得了比其他启发式方法更好的性能。

Jan, 2023

本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

Aug, 2021

本论文提出了一种基于单一公式的杂交损失函数，该函数在分类和聚类之间进行联合，并提高了分类器在不平衡数据集上的泛化能力，可以支持多个类别原型，具有视觉分类和验证任务的显着性能改进。

Jan, 2019

本文提出了 MeTNet 方法，使用三元组网络映射样本和原型向量到低维空间，通过自适应的边缘控制实体类型，实现了准确的 few-shot 命名实体识别。

Feb, 2023

本论文提出了一种新的适应性损失函数，该函数强调错分特征向量以指导较有区别的特征学习，从而解决传统损失函数在面部识别中存在的问题，并在多个基准测试上取得了比其他先进替代方案更有效的实验结果。

Nov, 2019

本文提出了一种对 few-shot 分类问题的基础分类方法，和一种在此基础上的协作双路径度量分类方法，将模型在基础分类上的训练结果迁移到新分类中。经过两个基准测试集的验证表明，该方法是一个简单而有效的框架，而且是该领域的新的最先进技术。

Aug, 2020

本研究在无监督学习中采用了最大化分类器决策边界的最大间隔对比学习方法，通过 SVM 优化问题选择出稀疏支持向量作为负样本，并优化算法以减小计算复杂度，从而在视觉基准数据集中获得了更好的无监督表征学习性能。

Dec, 2021

在 Few-shot learning 的背景下，该研究论文探索了如何使用大边距原则改进基于度量的 Few-shot learning 方法的泛化能力，通过在训练中将分类损失函数增加大边距距离损失函数，实现学习更有区分度的度量空间，实验证明这种方法可以有效提高现有模型的性能。

Jul, 2018