本研究提出了超球形原型网络，利用高维球面的极端分离来定义类别原型，并通过数据无关型优化将原型定位于球面上，从而实现了分类和回归的统一以及多任务学习的优化

Jan, 2019

使用张量场来建模类的几何学方法在 few-shot learning 方面是一种更加有效的方法，我们提出了一种简单而有效的方法 -- hypersphere prototypes (HyperProto)，使用动态尺寸的超球体来表示类信息，同时在 NLP 和 CV 领域上的实验验证了我们方法的有效性。

Nov, 2022

本文提出了一种基于成本矩阵和原型网络的层次分类方法，其通过在嵌入空间中排列类原型来表征层次结构，并在四个公共数据集上验证了该方法的效果。

Jul, 2020

本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类，并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间，证实了该方法在多个数据集上的表现。

Mar, 2022

本文通过评估在多种标准数据集上，对基于分类的参数化训练方法在图像检索领域的有效性和可扩展性进行了分析，进一步提供了样本分类的子采样和数据二值化对实际应用性能的影响。

Nov, 2018

本文提出了一种无监督方法，使用基于图的聚类方法获取数据的伪标签，并使用三元组来引导度量学习，使用概率损失来最小化违反角度约束的几率，从而实现无需使用类标签的度量学习。研究表明，该方法具有竞争力，并对该方法的不同组成部分进行了全面研究。

Aug, 2020

研究论文提出了一种基于统一类别原型导向的视觉语言框架，用于有效缓解数据不平衡引起的特征空间偏差，并通过去除无关噪声文本和增强关键属性信息的模块提高模型的鲁棒性，同时通过类特征原型导向分类器解决学习分类器的正向偏差问题，从而在长尾学习中实现了比之前方法更优越的性能。

Aug, 2023

本文介绍一种基于非半正定线性相似性的学习算法，用于分类，该算法能够通过最优化距离和相似度函数来在非线性特征空间中学习，该方法得到应用后，在各种数据集上比起现有方法具有更好的效果，而且速度快、防止过拟合和产生非常稀疏的分类器。

Jun, 2012

本文提出了超边界学习的想法，并使用理想原型的概念来定位超边界原型，以避免先前的标签知识，同时通过引入受惩罚的 Busemann 损失来计算原型间的距离。与最近的超球面和超边界原型方法相比，实证结果表明我们的方法提供了自然的分类置信度解释，并取得了更好的表现。

Jun, 2021

我们提出了一种简单的方法，利用标签空间的度量信息通过替换传统的预测规则中的 argmax 来适应已训练好的模型以可靠地预测新类别，或者在零样本预测中提高性能，而无需额外的训练。我们对该方法进行了全面的理论分析，研究了学习理论结果、标签空间直径、样本复杂度和模型维度之间的权衡、预测任何未观察到的类别的全部情境特征以及在不能预测所有未观察到的类别范围时获得最优训练类别的最新类别选择程序。在实证研究中，我们的方法 Loki 利用易得的外部度量指标在 ImageNet 上相对 SimCLR 可获得高达 29.7% 的相对改进，并可扩展到数十万个类别。当没有可用的度量指标时，Loki 可以使用类别嵌入的自主度量，在预训练的零样本模型（如 CLIP）上获得了 10.5% 的改进。

Jul, 2023