本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

Dec, 2020

我们提出了一种利用深度学习和新型代价函数来检测情绪状态的方法，该代价函数利用了 Optimal Transport Theory 中的 Wasserstein Distance 来缩放个体相关数据的重要性，从而提高对所有参与者共同的数据模式的重要性，降低个体相关噪声的重要性。在四个常用数据集上的对比实验中，我们的模型在最小距离和质心欧氏距离方面相对于基线模型平均分别增加了 14.75％和 17.75％。

Aug, 2023

提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准确率显著提高了 2％，表明这些损失函数有能力使网络更好地推广到以前未见过的类别。

May, 2023

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015

本文研究了深度学习在多视图立体视觉任务中的优秀性能，并通过分析现有的损失函数，提出了一种新的自适应 Wasserstein 损失函数以及一个简单而有效的偏移模块，通过在不同基准测试中的广泛实验证明，该方法在自适应 Wasserstein 损失和偏移模块的支持下实现了最先进的性能。

Apr, 2024

本论文提出了一种基于单一公式的杂交损失函数，该函数在分类和聚类之间进行联合，并提高了分类器在不平衡数据集上的泛化能力，可以支持多个类别原型，具有视觉分类和验证任务的显着性能改进。

Jan, 2019

本文介绍了一种寻找对标签噪声具有内在容忍性的损失函数的方法，并提供了一些在多类分类问题中让该损失函数在风险最小化时具有内在容忍标签噪声的充分条件，同时通过实验验证了基于平均误差值的损失函数是内在鲁棒的，并且标准反向传播足以学习出真正的分类器。

Dec, 2017

通过深度度学习，优化深度神经网络的目标函数在创建输入数据的增强特征表示中起着至关重要的作用。然而，基于交叉熵的损失函数对于具有大的类内差异和低的类间差异的输入数据分布来说往往不够充分。深度度量学习旨在通过学习将数据样本映射到代表性嵌入空间的表示函数，以度量数据样本之间的相似性。它利用精心设计的采样策略和损失函数，帮助优化产生具有低类间和高类内方差的区分性嵌入空间的生成。在本章中，我们将概述该领域最新的进展，并讨论最先进的深度度量学习方法。

Dec, 2023

该文章提出了一种新的深度学习目标公式，在小训练集合的情况下能够使得其学习到的深层网络具有较好的泛化能力，同时介绍了一种基于几何感知的深度转换技术，从而实现了非线性、具有鲁棒性的特征转换，该方法在合成和真实数据方面表现良好，并支持所提出的框架使用 (K,ε)- 鲁棒性分析。

Sep, 2015

本研究提出了一种基于 Hellinger 距离的证明技术，可以用于证明黑盒模型和有界损失函数的分布健壮性和域外泛化。实验证明这种技术在大型神经网络和不同类型的损失函数下具有良好的可扩展性和灵活性。

Feb, 2022