本研究提出了子图高斯嵌入对比(SGEC)方法，解决了自监督学习中生成对比样本的分布控制问题，并优化了相似性度量。实验结果表明，该方法在多个基准测试中表现优异。

本文研究了神经网络的收敛学习现象，发现不同特征的学习效果存在差异，并提出了多种相似性度量方法。研究还探讨了高效的训练策略，结果表明预训练网络中的神经元存在冗余，通过优化特征合并可以提高任务效率。

本文提出了一种新的分类模型相似性度量方法，研究了随机种子对深度学习模型性能和鲁棒性的影响。结果表明，随机种子的选择显著影响模型结果，并提出了优化技术ASWA和NASWA以提高模型稳定性，强调在模型训练中考虑随机性的重要性。

本文探讨了联邦学习中的安全威胁，提出了一种新型攻击方法Faker，该方法通过相似性度量实施模型中毒攻击。实验结果表明，Faker在降低模型精度方面优于传统攻击，并且能有效降低时间成本。研究还分析了Faker的扩展性及防御策略，强调了对相似性度量潜在风险的警惕。

本文介绍了一个三步流程，通过使用不同的过程模型相似性度量来对类似的局部过程模型进行分组。实际案例研究展示了分组的实用性以及发现的局部过程模型的重复性对其进行改进的影响。

本文提出了一种新的链接预测模型NCSM，通过在自定义的GNN层中将节点中心性和相似性度量作为边特征进行唯一的集成，有效地利用大型网络的拓扑信息。该模型在五个基准图数据集上表现更好，归功于对节点中心性、相似性度量的创新整合和对拓扑信息的高效利用。

向量数据库将数据存储为高维向量，可进行快速准确的相似性搜索和检索。使用相似性度量计算两个向量在向量空间中的距离。结果通常是与查询向量具有最高相似性得分的向量的排序列表。