本文提出了一种基于成本矩阵和原型网络的层次分类方法，其通过在嵌入空间中排列类原型来表征层次结构，并在四个公共数据集上验证了该方法的效果。

Jul, 2020

提出了一种基于信息论的通用方法 Seraph，它适用于度量学习，并且不依赖于流形假设，并通过熵正则化将监督和非监督部分集成在自然且有意义的方式中。此外，Seraph 通过鼓励从度量引出的低秩投影来规范化，它是一种鲁棒性的最优化方法，与许多众所周知的全局和局部度量学习方法相比具有竞争优势。

Jun, 2012

提出了一种新的非线性度量学习方法，其使用基于迭代、分层的半监督最大间隔聚类的树型算法来构建聚类层级森林，并将众多半随机弱度量层级的输出结合起来，以获得强大而稳健的非线性度量模型。与一些最先进的基准测试结果相比，这种方法的结果相当或优于现有最先进算法，并且对噪声更具稳健性。同时，这种方法具有两个主要贡献：第一，它是半监督的，同时融合了约束点和非约束点的信息；第二，它采用了一种松散的约束满足方法，在不同层次的层级中满足不同子集的约束，从而得到更加稳健的学习算法。

Feb, 2014

本研究提出了一种新的分层三元组损失（HTL），通过编码全局上下文信息的定义的分层树自动收集有用的训练样本（三元组），以解决深度度量学习中的集束采样的主要限制。

Oct, 2018

本文提出了一种名为 “超宾说外显”（HIE）的方法，通过使用节点到原点的超宾距离（即超宾范数）推导出的无成本分层信息来改进现有的超宾表示方法，并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。

Jun, 2023

该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

Apr, 2020

本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

May, 2019

本文提出了一种基于深度度量嵌入的半监督学习算法，利用少量标注数据和无标注数据的相对距离关系约束，得到在欧氏空间内区分力强的分类器，并可用于基于最近邻分类的应用。

Nov, 2016

本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

Apr, 2022

提出了一个全超伽马模型进行多类多标签分类，该模型可以从类别分布中推断出潜在的层次关系，捕获库存中的隐含下义关系，并显示出与最先进的方法相当的细粒度分类性能，具有可观的参数规模缩减。

Oct, 2020