提出了 ConR，一种对深度不平衡回归问题进行有效处理的方法，它通过在特征空间中模拟全局和局部标签相似性，并且通过先进的方法显著提升了现有方法在三个大规模深度不平衡回归基准上的性能。

Sep, 2023

通过建立类别本体并创建语义一致的标签错误，提出了一种简单的框架 ProcSim，通过将样本与其类别代表的归一化距离计算得到置信度评分，从而训练鲁棒的深度度量学习模型，实验结果表明该方法在注入均匀和语义一致噪声的深度度量学习基准数据集上取得了最先进的性能。

Nov, 2023

本文提出了一个利用深度学习技术从图像直接学习相似度度量的深度排名模型。该模型通过多尺度网络结构和三元组采样算法，具有比基于手工特征和深度分类模型更高的学习能力。实验证明了该算法的优越性。

Apr, 2014

提出了 SimRank 相似度度量的一般化，用于异构信息网络，其中给定信息网络，如果与 a 相关的对象集合和与 b 相关的对象集合根据所有所施加的关系彼此相似，则类内相似性得分 s（a，b）很高。

Feb, 2015

文章提出了一种新的方法 Deep Imbalanced Regression（DIR）来处理实际中连续性 target 的不均衡数据分布问题，通过分布平滑技术，使用已有数据来校准标签和学习特征的分布，同时构建了大规模的实际任务实验数据集，并在计算机视觉、自然语言处理、医疗保健等领域获得了良好的实验效果。

Feb, 2021

该论文从交叉匹配角度分析了相似性学习，提出了一种基于 ROC 优化的点级优化标准，通过一种概率框架对此进行了深入研究，给出了基于 U - 统计的约束优化表达式，推导出相应的普适性学习速率以及在数据分布噪声假设下更快速的学习速率，同时考虑了采样近似近似的效果，同时通过量化实验得到了与理论相称的实验结果。

Jul, 2018

SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

Nov, 2022

提出了 SIMILAR (Submodular Information Measures based actIve LeARning)—— 利用最近提出的子模信息度量 (SIM) 作为获取函数的统一主动学习框架，既能在标准主动学习中工作，也可以轻松扩展到考虑上述实际情况，并作为可伸缩到大型实际数据集的主动学习一站式解决方案。

Jul, 2021

我们提出了针对排名模型和回归模型的成对公平度量标准，这些标准类似于统计公平概念，如平等机会、平等准确性和统计平等，通过现有的约束优化和鲁棒优化技术可以有效地解决结果训练问题，实验表明这些方法具有广泛的适用性和权衡性。

Jun, 2019

通过引入新的正则化器 —— 基于 Bellman 方程的自动等级正则化器（BEER），我们可以自适应地调节表示等级，从而提高深度强化学习代理的性能。实验证明，BEER 在 12 项挑战性控制任务中表现出色，并且在 Q 值近似中也具有显著优势。

Apr, 2024