- ACL神经网络交叉模态映射真的能够桥接视觉和语言么？
该论文提出新的相似度衡量方法和两个实验，揭示了通过神经网络进行模态之间的映射所得到的预测向量的周围结构更像输入向量而不是目标向量，并且没有训练的网络不会显著破坏输入向量的语义结构。
- ICLR解码解码器：为无监督相似性任务找到最佳表示空间
简单模型在无监督相似性任务中优于复杂深度网络的实验证据，本文提供了一种基于最佳表示空间的简单而严格的解释，介绍了一种直接的方法，使深度复发模型（DRM）在不重新训练或结构修改的情况下，达到与浅层模型同等或更优的表现。
- 一种信息理论，全尺度比较网络的方法
提出了一种新的网络比较度量 —— 网络画像差异，该方法可以比较各种类型的网络并揭示多层和时间网络的重要特征。
- 使用深度特征映射进行跨领域图像匹配
本文提出了一种基于多通道规范化互相关的相似度度量方法，能够有效识别犯罪现场遗留的鞋印，此方法可以用于其他领域的图像检索问题。同时，我们使用卷积神经网络的特征描述符在特殊领域中表现出了惊人的效果，提高了鞋印的识别精度。
- 基于字符串核的序列分类的高效近似算法
本文中，我们提出了一种新的技术，能够高效准确地估计序列之间的相似度得分，从而增加了序列分类方法在音频、图像和文本序列中的应用广度，并且取得了良好的理论和实验表现。
- 人脸的距离感知层次聚类
本篇论文介绍了一种名为 'PAHC' 的无监督人脸聚类算法，主要通过评估最近邻数据的线性 SVM 边缘来计算深度特征之间的相似度，从而实现人脸聚类及脸部识别的功能，并取得了显著的改进。
- 多模态配准的深度度量
使用卷积神经网络构建了一种新的相似度度量方法，该方法可以应用于多模态医学图像的配准问题。在跨人注册任务上，该方法实现了比互信息更好的性能。
- 利用 Siamese 循环神经网络建模时间序列相似性
本研究结合时间序列建模和度量学习，使用连锁循环神经网络（SRNs）学习相似度度量，具有很强的相似度预测能力，尤其在少样本学习场景下表现优异，可用于识别任务，如签名、语音和手语识别等。
- 关注池化网络
我们提出了一种名为 Attentive Pooling 的方法，可用于在神经网络中进行排名或分类，并且能够学习一种类似度量，以便使得输入内容能够影响彼此的表示，并引导池化。我们在三个基准任务中得到了最新的实验结果，并优于各种强基线模型。
- KDD异质信息网络的张量 SimRank
提出了 SimRank 相似度度量的一般化，用于异构信息网络，其中给定信息网络，如果与 a 相关的对象集合和与 b 相关的对象集合根据所有所施加的关系彼此相似，则类内相似性得分 s（a，b）很高。
- 高维稀疏数据的相似性学习
该研究提出了一种使用参数化相似性度量的方法，将其作为具有特定稀疏结构的秩一矩阵的线性组合，此方法可以高效地处理高维稀疏数据，并通过近似的 Frank-Wolfe 过程优化参数以满足训练数据上的相对相似性约束，实验结果表明该方法具有分类、降维 - 一个用于比较图形的新空间
本文提出了一种基于协方差矩阵的图形表示方法，并定义了相似度测量方法，可用于社交网络的分类，同时该方法的计算效率高，可用于大规模实践，并对截断幂次迭代的研究提供了理论和实证支持。
- 时间序列分类相似度度量的实证评估
本文通过大规模的、基于实证的、定量化的方法，对时间序列分类中的相似度测量方法进行了广泛的评估，提出了更加一致的评估标准和基准措施的建议。
- 基于图形的变点检测
提出了一种基于图表示相似性的扫描统计学方法，适用于任何具有信息相似性度量的数据集，并提供了准确的分析逼近，用于检测和估计单个变化点和变化时间间隔，通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势，案例应用包括经典小说作者的确定和 - MM网络角色相似性的公理排序
本研究提出了一种能够解决社交网络中节点角色分析问题的新的相似度测量指标 RoleSim，并且证明了它满足一些必要的公理性质。
- 利用双通道动态时间规整下限实现更快的检索
本文提出了一种基于 LB Improved 相关思想的 Dynamic Time Warping 算法，相比于传统的 LB Keogh 方法，本方法能够更快速、准确地在时间序列中查找最近邻。
- 使用互信息的分层聚类
本文提出了一种名为 MIC 算法的层次聚类数据的方法，采用相互信息作为相似度度量，并利用其聚组特性。将此方法应用于从线粒体 DNA 序列构建系统发育树以及独立成分分析（ICA）的输出。