该研究使用Kantorovich-Rubinstein距离描述分类问题中的样本复杂性，考虑底层度量空间的几何和拓扑结构。较大的距离表明存在1-Lipschitz分类器可以良好分类。同时，该研究讨论了描述符的局限性。

RS-MetaNet是一种简单而有效的方法，通过任务级别组织训练，学习遥感场景分类的度量空间。它使用新的平衡损失函数，在三个公开数据集上展示了最先进的结果。

本文介绍了一种名为OOD-GMixup的方法，用于解决图分类问题中的分布差异。该方法通过调控度量空间中的训练分布，并通过消除杂乱相关和生成虚拟样本来度量和控制分布偏差。实验证明，该方法在几个真实世界的图分类数据集上优于现有方法。