- 面向资源匮乏语言的基于表情符号表示的对比学习
提出了一种新方法，叫做使用孪生网络分类表情符号（CESNA），该方法使用孪生网络，通过相似度量基于表情符号来学习贫资源语言（如印地语和特卢古语）的表情符号表示，与资源丰富的语言一起训练并使其进入相同的表情符号空间。实验表明，CESNA 的预 - 限制计算意识的公平性
在 Dwork 等人的框架中，我们研究了公平分类问题，提出了一种新的公平概念 (metric multifairness)。该概念是基于相似度度量和样本的比较集合，并且可以用有限次查询任意度量的方式来实现。
- 未知公平性度量的在线学习
该研究旨在解决在线学习在线性情境赌博机中存在强烈的个体公平约束的问题，其中个体公平性受未知相似性度量的支配，主要考虑通过算法减小公平性侵犯并达到最佳回报。
- 通过生成对抗和排序网络进行弱监督目标发现
本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。
- 角度损失的深层度量学习
本研究提出了一种新的角度损失来学习更好的相似性度量，在三角形中约束负面点的角度具有大小不变性，并强制施加三阶几何约束，从而捕捉比对比损失或三重对损失更多的局部结构。
- 通过深度度量学习实现语义实例分割
我们提出了一种新的语义实例分割方法，该方法首先计算两个像素可能属于同一个对象的概率，然后将相似的像素分组。我们的相似度度量基于一种深度的，完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相 - SIGIR将文档和查询表示为嵌入词向量集以进行信息检索
提供一种使用词向量嵌入表示整个文档的有效方法，通过将文档和查询表示为单词向量集，使用单词集中每个单词对之间的相似性来计算标准相似性度量，提高 TREC 自适应数据集中的平均精确度。
- 基于深度循环卷积网络的视频行人再识别：一种端到端的方法
本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的 - PersonNet: 使用深度卷积神经网络进行人员再识别
本文提出了一个端对端深度神经网络，用于同时学习高级特征和相应的相似性度量，用于人物再识别。我们的方法通过 10 个加权层和非常小的卷积过滤器提高了相似度测量的准确性，在 CUHK03 和 Market-1501 等数据集上一致优于现有算法。
- 一种基于全球均衡图模型的多摄像机物体跟踪方案
本文提出了一种全局图模型和改进相似度度量的方法来提高多摄像头对象跟踪的性能，并且成功地将单摄像头对象跟踪和跨摄像头对象追踪区别对待。实验结果表明，即使在单摄像头对象跟踪质量不佳的情况下，该方法也能更好地发挥作用。
- CVPR深度排序学习细粒度图像相似度
本文提出了一个利用深度学习技术从图像直接学习相似度度量的深度排名模型。该模型通过多尺度网络结构和三元组采样算法，具有比基于手工特征和深度分类模型更高的学习能力。实验证明了该算法的优越性。
- 压缩聚类
我们提出了一种基于压缩的聚类方法，使用基于长度压缩数据文件的普适相似性距离（NCD）来构建层级聚类，可以成功地应用于基因组学，病毒学，语言学，文学，音乐，手写数字，天文学以及完全不同域的对象长度压缩数据文件，并且在不同的压缩方式下具有普遍性 - 相似度度量
提出了一种基于 Kolmogorov 复杂性的新的 “归一化信息距离” 度量方法，证明它是度量，称之为 “相似度量”，并演示了两个应用：比较整个线粒体基因组并推断它们的进化历史以及完全自动计算 52 种不同语言的语言树。