本文提出了一种名为 CIMON 的新方法，通过全局细化和相似性统计分布获得可靠且平滑的指导，并引入语义和对比一致性学习来推导既具有扰动不变性又具有区分性的哈希码，通过在多个基准数据集上进行的大量实验证明，该提出的方法在检索性能和鲁棒性方面均优于一系列现有技术方法。

Oct, 2020

提出了一种简单和高效的方法，使用基本的逐元素向量操作将每个数据源上单独训练的模型与基本模型相结合，从而更好地优化数据源，得到一种名为分布编辑模型（DEM）的模型，与标准数据混合相比廉价 11 倍，并在各种基准测试中优于强基准，对大小为 3B 到 13B 的模型分别可以获得 MMLU 的 6.2％改进，BBH 的 11.5％改进，DROP 的 16.1％，HELM 的 9.3％改进。值得注意的是，DEM 在修改单个数据源时不需要完全重新训练，因此非常灵活和可扩展以适应各种数据源的训练。

Jun, 2024

本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系，并且利用稀疏可靠特征匹配而非优化所有成对对应关系，同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异，同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。

Nov, 2017

本文研究了半监督深度学习中的语义数据集匹配，证明其在某些情况下甚至会降低最先进算法的性能，并提出了一种更可靠的选择无标签数据的定量匹配标准，即使用基于密度的不相似性度量在通用分类器的特征空间中进行。

Apr, 2021

本文提出一种半监督的深度哈希方法，通过同时保留语义相似性和基础数据结构来更有效地学习哈希函数。实验结果表明，该方法在 5 个常用数据集上优于现有的哈希方法。

Jul, 2016

本文提出了一系列新颖的基于深度生成模型的文本哈希方法，并通过实验证明了深度学习在文本哈希中的有效性。

Aug, 2017

在深度学习时代，强调优化的数据集精简方法主导着目前最先进结果的可能性，但是它们的计算复杂度对于大规模数据集的实际应用造成了困难。为了提高效率，我们提出了一种新的基于高阶分布对⻬的分布匹配方法，通过进一步对齐真实和合成示例的表示分布的高阶矩来学习合成示例。实验证明该方法在不同场景下能够显著提升性能并保持高效。

Dec, 2023

本文针对视觉与语义嵌入中的 hub 问题，探讨了两种优化目标以及提出的 hubness-aware loss function 的优点，并在模型架构和数据集方面进行了实验，结果表明该方法在 text-image matching 任务中具有优良的鲁棒性并且能够带来一致性的改进。

Nov, 2019

使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

Jan, 2015

该研究使用卷积神经网络提取特征描述进行文本匹配，以解决不同个体写作的手写文本相似性预测问题。

May, 2016