度量学习加速可微参数化规划的算子分裂方法收敛

提出了一种鲁棒测度学习的方法，旨在从嘈杂的信息中学习距离度量。

将学习任务转化为组合优化问题，并优雅地转换为凸规划问题。

提出了一种基于平滑优化的高效学习算法，实验表明该方法在UCI数据集上有效。

通过凸放松方法解决原始问题中的非凸问题，分析了OPR能力与泛化性能之间的关系。

介绍了MetricOpt方法，通过学习可微的价值函数，实现对不可导任务评估指标的优化。

提出了一种并行投影方法，提高了度量约束优化问题的收敛速度。

提出了一种快速且可扩展的机器学习算法，利用凸优化原理和梯度下降方法解决距离度量问题。

提出了一种无监督方法，使用基于图的聚类获取数据的伪标签，实现无需类标签的度量学习。

介绍了一种基于Boosting算法的技术BoostMetric，学习二次的Mahalanobis距离度量，具有更好的分类准确度。

提出了针对非凸情况的数值算法，基于可变度量构建新的近端分裂算法，证明了算法的收敛性。