本文提出了一种基于 Soft Orthogonality (简称 SO) 的新方法来解决深度度量学习 (DML) 中代理点出现的问题，并结合数据高效的图像变换器 (DeiT) 作为编码器提取图片的上下文特征，以数据集检索等实验结果表明该方法在超越现有技术的同时，还具有更高的可靠性和实用性

Jun, 2023

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

本文提出了一种新的学习框架，称为卷积原型学习（CPL），以处理卷积神经网络（CNN）对开放世界识别问题的鲁棒性不足，其中采用了多个分类标准进行网络训练，提出了原型损失（PL）作为正则化以改善特征表示的内部类紧凑性，在多个数据集上实验表明 CPL 可以比传统 CNN 实现可比甚至更好的结果，并且 CPL 在拒绝和增量类别学习任务方面具有明显优势。

May, 2018

通过引入 supervised contrastive prototyping learning 框架，可以提高 DNN 模型的鲁棒性和学习 nuance 不变性表示，在样本高效、不需要 sample mining 的情况下可以替代 softmax 分类器头，实现更好的干扰和样本鲁棒性。

Nov, 2022

文章提出了深度特征代理变量法（DFPV），用于高维、非线性复杂关系的代理因变量条件下处理治疗对结果的因果效应和偏倚度量问题，并在高维图像数据和混淆赌徒问题的测试中，DFPV 表现优于最新的先进的 PCL 方法。

Jun, 2021

本文介绍了一种基于深度学习的结构化预测模型，着重于在该类模型中捕捉参数约束。研究通过新颖的深度架构介绍了如何引入参数约束，并在多标签分类基准测试中取得了最先进的结果。

Feb, 2018

该研究提出了一种新的哈希方法，名为 Ordinal Constraint Hashing（OCH），其使用基于图的近似来嵌入排序关系，并通过排序级数约束投影减少排序图的大小。此外，该方法还通过松散约束和特定的随机梯度下降算法来有效地学习这些哈希函数。实验表明，OCH 方法在三个大规模的视觉搜索基准数据集上具有优异的性能。

Nov, 2016

我们扩展了标准的符合预测方法，开发了几种符合风险控制方法，并应用于不同的学习问题。本文中，我们致力于控制序列分类任务中的符合风险，该任务在许多实际问题中具有广泛应用。为此，我们首先在符合风险控制框架中对序列分类任务进行了规范，并提供了理论风险边界控制方法。然后，我们提出了两种特别设计用于序列分类任务的损失函数，并开发了相应的算法来确定每种情况的预测集，以便将其风险控制在所需的水平。我们展示了我们提出的方法的有效性，并分析了两种风险在三个不同数据集上的差异，包括模拟数据集、UTKFace 数据集和糖尿病视网膜病变检测数据集。

May, 2024

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