本文提出了一种 Calibrate Proxy (CP) 结构，它使用真实样本信息提高了代理损失中的相似度计算，并引入校准损失来约束代理优化向类特征中心。 通过多个实验验证了我们方法在三个公共数据集和多个合成噪音标签数据集上的有效性，表明我们的方法可以有效地改善常用代理损失在正常和噪声数据集上的表现。

Apr, 2023

该研究提出了一种新的代理损失方法，它结合了基于对和代理的方法的优点并克服了它们的局限性，同时具有更快的收敛速度和对嘈杂标签和离群值的鲁棒性，能充分利用数据之间的关系，其中该方法在四个公共基准测试中表现出最先进的性能和最快的收敛速度。

Mar, 2020

本文提出了一种新颖的 Proxy-based deep Graph Metric Learning (ProxyGML) 方法，该方法从图分类的角度出发，采用少量代理实现了更好的综合性能，通过多个全局代理对于每个类别的数据点进行近似，采用反向标签传播算法调整邻居关系，以学习一个有区分性的度量空间。

Oct, 2020

本研究提出了一种名为 Proxy Synthesis 的正则化方法，旨在加强深度度量学习中的强泛化能力，尤其关注于构建同时适用于已知和未知类别的嵌入空间，其中包含了合成嵌入和代理的相关性及其对于合成类的模拟能力，并通过类关系和平滑决策边界，进一步实现对于未知类别的鲁棒性。实验证明该方法可以极大提升基于代理的模型的性能，并达到了最先进水平。

Mar, 2021

本文提出了一种度量学习方法，采用 Smooth Proxy-Anchor Loss 度量与去除数据集中的噪声标签，结合置信度模块和加权采样，实现了可靠的样本嵌入生成。与当前最先进的度量学习损失（基于代理和基于对）相比，使用含有噪声标签的数据集进行训练，该方法提高了 2.63 和 3.29 的召回率。

Jun, 2020

本研究旨在解决群体成员身份不可用或不被允许使用时，非披露性地收集与敏感群体平衡的数据样本的问题，并通过采用公平性流程视角和使用少量标记数据训练代理函数来实现。

Jun, 2023

为了在机器人应用场景下提高样本效率，本文提出了一种新颖的自适应蒙版代理（adaptive masked proxies）方法，它利用多分辨率平均池化技术对带标签的基础嵌入进行掩蔽，从而作为新类别的正代理，并与之前学习到的类别签名进行融合，该方法在 PASCAL-$5^i$ 数据集上表现出了明显优势，同时还能够与二进制运动和基于外观的分割网络一同使用，作者还提出了一种评估目标分割连续学习的新方法 incremental PASCAL (iPASCAL)，该方法也比基线方法表现更出色。

Feb, 2019

使用数据增强的领域自适应方法改进了代理度量学习，通过对鸟类图像、汽车图像、产品图像和衣物图像的实验表明，该方法显著提高了现有代理损失方法的效果，并获得了优于现有方法的结果。

Jan, 2024

使用非同构正则化和标准化流方法改进基于代理的测量学习，在代理周围引入非同构分布的样本，从而更好地学习本地结构和优化语境，同时获得比现有方法更好的泛化表现和竞争性结果。

Mar, 2022

论文介绍了一种通过生成小型的代理数据集来加速机器学习模型训练的方法，并将其与基于完整数据集训练的基准模型进行了对比，实验证明该方法能够提高模型训练效率并得到高质量的实验结果。

Jun, 2019