本文研究了 Manifold Mixup 在 few-shot 学习中的作用，并结合自监督学习和正则化技术，提出了一种名为 S2M2 的方法，显著提高了 few-shot 学习的性能，并在 CIFAR-FS、CUB、mini-ImageNet 和 tiered-ImageNet 等标准 Few-shot Learning 数据集上打破了当前最新的准确性记录。

Jul, 2019

本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。

Jul, 2022

该研究提出了一种无监督框架，用于针对性地寻找训练样例。该方法仅需要一组与目标应用程序相关的图像和有效的初始表示，其中正样例是单个流形上的远点，而负样例是不同流形上的相邻点。这种方法可应用于预训练网络的无监督微调，用于细粒度分类和特定物体检索。与之前的完全或部分有监督的模型相比，我们的模型表现出相似或更好的性能。

Mar, 2018

本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

Mar, 2020

提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

Aug, 2020

本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

Aug, 2023

该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

Feb, 2020

本论文介绍了一种改进的算法，利用有标注数据和无标注数据的流形结构预测伪标签，在类之间平衡，并使用容量有限的分类器的损失值分布选择最干净的标签，以迭代方式改善伪标签的质量，从而在几个基准数据集上超越了现有技术结果，具有数据可用性与特征空间预处理的健壮性。

Dec, 2020

本文提出了一种基于自监督训练的方法，通过利用所有训练数据的信息，为每个样本提取有意义且可泛化的嵌入空间，从而去除 out-of-distribution 样本，并使用迭代的 Manifold DivideMix 算法找到干净和有噪音的样本，以半监督的方式训练模型。此外，我们还提出了一种名为 MixEMatch 的半监督算法，其中包括在模型的输入和最终隐藏表示中进行 mixup 增强，通过在输入和流形空间进行插值提取更好的表示。对多个合成噪声图像基准和真实世界的网络爬取数据集进行的广泛实验证明了我们提出的框架的有效性。代码可在此 https URL 找到。

Aug, 2023

本文提出了一种使用超伸缩流形学习用户与广告特征表示的框架，以实现精准广告投放，从而提高用户满意度和广告转化率。实验证明该方法在公共基准数据集和 Messenger 系统中具有优异的性能表现。

Jul, 2020