提出了 DeltaGrad 算法，用于快速重新训练基于训练阶段缓存信息的机器学习模型，以解决由于稍微更改数据集引起的代价昂贵的重新训练问题，以实现隐私性、稳健性、偏见减少和不确定性量化等多种应用，并得到了理论和实证支持，与现有技术相比效果优越。

Jun, 2020

本研究提出了 MetaDelta—— 一个用于少样本图像分类的实用元学习系统，包括多个元学习器和一个元组合模块，能够有效提高时间和资源利用效率，同时对未知数据集具有更好的泛化能力。MetaDelta 在 AAAI 2021 MetaDL 挑战赛中获得第一名，代码公开可用。

Feb, 2021

本文的主要关注点是解决深度特征匹配（DFM）的局限性，通过采用更灵活的最近邻搜索策略并集成图像补丁描述符，扩展了 DFM 的适用范围，同时提出了一种新颖的图像补丁描述符精炼策略，进一步降低了对应匹配的计算复杂度，实验证明我们的方法在实际机器人应用中具有卓越的性能。

Mar, 2024

我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

Dec, 2016

提出了一种名为 ADADELTA 的针对梯度下降的每维学习率的新方法，该方法仅使用一阶信息在时间上动态自适应，除了香草随机梯度下降之外几乎没有计算开销，并且不需要手动调整学习率，且与嘈杂的渐变信息、不同的模型架构选择、各种数据形态和超参数的选择都表现出鲁棒性，在 MNIST 数字分类任务上使用单个机器并在分布式群集环境中使用大规模语音数据集展示出与其他方法相比令人期待的结果。

Dec, 2012

提出了一种新颖的学习技术 ——Delta Embedding Learning 以优化调整单词嵌入，并通过结构化正则化确保了单词嵌入的逐步调整，提高了各种 NLP 任务的性能，并证实调整后的单词嵌入具有更好的语义属性。

Dec, 2018

本研究提出一种新方法，在大规模点云中实现位置重定位，通过使用 Siamese 网络同时学习全局场景识别和本地六度姿态细化算法来生成全球描述符，并通过有效的注意力机制聚合本地描述符，实现同时获得本地和全局 3D 描述符，实验表明，本方法在全球点云检索和本地点云对比方面比现有技术实现的结果更具竞争力。

Jul, 2020

提出了一种名为 MinkLoc3D 的基于学习的方法，用于计算具有区分性的三维点云描述符，该方法使用稀疏体素化的点云表示和稀疏三维卷积，相比目前最先进的方法具有更好的性能。

Nov, 2020

本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

Apr, 2023

提出了一种基于三维点云的全工作流程，利用卷积神经网络和全卷积层来匹配三维点云，利用兴趣点体素化光滑密度值 (SDV) 表示，从而实现旋转不变性，并在 3DMatch 基准数据集上取得了 94.9% 的平均召回率，性能比同类方法提高了 20% 以上，同时实现了高效的近实时的对应点搜索。

Nov, 2018