本文旨在解决机器学习中的评估指标通常难以作为损失函数的问题，通过重新审视代理损失学习，并提出了一种基于排名相关性优化的方法来最大化代理损失和度量之间的关系进行代理损失学习。实验证明，该方法在图像分类、神经机器翻译等各种任务上都获得了显着的效率和性能提升，并在人体姿态估计和机器阅读理解任务上优于现有方法。

Feb, 2022

本篇论文研究了机器学习模型中过拟合和泛化的概念，发现 Recall@K 指标受到数据集中类数目的限制，提出了一种新的检索性能度量方法来估计泛化性能，应用于图像检索方法中，并对深度度量学习的泛化性能提供了新的见解。

Jun, 2023

本文提出了一种针对非可微和非可分解损失函数的优化方法，使用代理神经网络逐渐逼近真实损失函数，并通过联合双层优化学习预测模型和代理损失函数，实现了高效学习代理损失函数的效果。

May, 2019

本文提出了一种通过最小化近似目标评估指标的替代损失来训练神经网络的技术，其中代理通过深度嵌入来学习，有效性在场景文本识别和检测任务中得到了证明。

Jul, 2020

本研究提出了一种基于批量样本的优化传输规划的学习重要性驱动的距离计量方式，与端到端深层度量学习相结合，可以自动强调困难的样本，加速收敛率并获得更好的视觉识别表现，实验证明方法优于现有 3D 形状识别技术。

Mar, 2019

本文提出了基于距离加权采样的深度嵌入方法，用于图像检索、聚类和人脸验证任务，取得了所有数据集上的最优性能。

Jun, 2017

本文提出通过损失函数对训练样本曲率的测量来对神经网络的记忆化能力进行研究和分析。通过对 popular image datasets 的样本进行测量、可视化和排序，研究展示了神经网络在长尾数据、错误标签和冲突样本方面的记忆化失效，并发现了 CIFAR100 数据集中存在的重复标签问题。实验结果表明，通过曲率排序可以有效地找到疑似错误标签的样本。

Jul, 2023

本研究提出了一种基于瞬时召回表现动态加权的损失函数：hard-class mining loss，以解决计算机视觉应用程序（如语义分割）中的类别不平衡问题。研究结果表明，recall loss 可以在不影响准确度的情况下提高平均准确度，并具有与标准交叉熵损失相竞争的平均 Intersection over Union（IoU）性能。

Jun, 2021

本研究从多个角度探讨了手绘图像检索领域中存在的问题，并通过提出 Relative Triplet Loss、使用 batch normalization、调整模型容量和知识蒸馏等方法，实现了优化模型并提升了图像检索的表现。

May, 2023

从工程任务出发，通过提出一种新的相似性学习训练方法 Multibatch，并结合深度卷积神经网络，实现在嵌入式系统上进行高精度人脸识别任务，准确率达到 98.2％，预测运行时间仅为 30 毫秒，并且整个训练过程仅需要 12 小时。

May, 2016