该研究提出了一种基于凸形 Lovász 扩展损失的直接优化平均交并比损失的方法，并在语义图像分割的情况下应用于神经网络，证明了该方法在整个数据集上优化 Jaccard 指数时性能更好，基于该方法的语义分割管道在 PASCAL VOC 和 Cityscapes 数据集上取得了显着改善的交并比分割得分。

May, 2017

本文从抽象代数和定性相似性的角度探讨类比推理理论的数学基础，并证明了这一方法具有明显的数学性质和可行性意义。

Feb, 2023

本文研究各种文本相异度量方法（包括词汇表、词频分布和向量嵌入表示）在不同的任务（如按作者、主题和时间周期对文本进行聚类）中的性能表现，并分析了这些方法在不同长度文本间的偏差关系。结果表明，Jensen-Shannon Divergence 和基于嵌入的方法对 $h$ 的变化不敏感，而 Jaccard 距离则不一定可靠。

May, 2023

提出一种早期行动识别和预测的框架，使用三种称为 Jaccard 向量相似性、Jaccard 交叉相关和 Jaccard Frobenius 内积的新相似性度量来关联过去的特征和未来的特征，利用这些创新的损失和我们的框架，在 UCF101 和 JHMDB 数据集中获得了 91.7％和 83.5％的准确性，在观察百分比 20 的情况下，类似地，我们在 Epic-Kitchen55 和 Breakfast 数据集中获得了 20.35 和 41.8 的 top-1 准确度，取得了最先进的结果。

May, 2021

本研究提出了一种新颖的方法，通过使用超图和提取 k - 邻域多重集对纺织品结构进行表示，从而衡量纺织品间的相似性并在数据集上展示了聚类和查询的效果。

Oct, 2018

本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如 Dice 分数和 Jaccard 指数时，採用度量敏感损失函数效果更好的结论。

Oct, 2020

本文提出了一种新的集合相似性连接的随机算法，可以实现任何期望的召回率，这种方法在数据不具有罕见令牌结构时也具有鲁棒性，本文的方法在很大程度上提高了现有方法的效率。

Jul, 2017

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

该研究论文主要探讨 Jaccard 空间的可分解性，使用概率和线性代数方法构建了在该空间中具有高概率但几乎优化（即最小大小）的可分解集合，且该空间的度量维度为 θ(|X|/ln|X|)。

May, 2024

本文提出了一种基于顶点相邻度量相似性的方法，通过邻接矩阵迭代计算得到自洽矩阵，测试结果表明该方法可用于计算人工生成和真实网络中的节点相似性。

Oct, 2005