一种包含三元组折叠的公平分类器
本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。
May, 2019
本文提出了一种新的线性损失函数来优化深度距离度量学习中的三元组损失函数，无需使用类别中心点最优化步骤，并有了实际运行时间复杂度为线性的算法。该方法在基准数据集上达到了竞争性的检索准确性结果。
Apr, 2019
本文提出了 TripletBoost, 一种在比较基础上学习分类器的方法，可适用于任何度量空间数据并仅使用被动获得和带噪声的三组信息处理大规模问题，同时具备良好的理论推广性能和抗噪能力。
Oct, 2018
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
本文主要研究了三元组损失的应用，通过对三元组的空间特征进行特征分析，发现选择最难的负样本会导致失败的训练行为。为此，提出了简单的修复方法来优化损失函数，展示了使用硬负样本进行优化会产生更具可推广性的特征，从而在高内类差异数据集的图像检索结果中胜过现有技术成果。
Jul, 2020
研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。
Mar, 2018
提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。
Dec, 2019
使用深度神经网络通过三元损失函数对多类别不平衡数据进行分类，修改特征分布以生成安全的少数类样本邻域，实验证明该方法优于常见的预处理方法及传统神经网络。
Dec, 2023
本文研究学习分类器的公平性约束问题并提出了三种解决方案，分别是将两个现有的公平性度量关联到成本敏感风险，显示了对于成本敏感分类和公平性度量的最优分类器是类概率函数的实例相关阈值，并展示了准确性和公平性之间的权衡是通过目标和敏感特征的类概率之间的一致性来确定的。支撑我们分析的是一个通用框架，将具有公平要求的学习问题建模为两种统计风险差异的最小化问题。
May, 2017