本文提出了一种加速球形K均值聚类算法，针对大规模高维稀疏文档数据集，显著减少相似性计算中的乘法次数，实验结果表明其速度优于现有技术。

本研究提出了一种结构增强图匹配网络（SEGMN），旨在解决现有图相似性计算方法的不足。通过双重嵌入学习和结构感知匹配，SEGMN在GED回归任务中超越了现有方法，基线性能提升最多达25%。

本研究探讨语言模型在属性继承中的作用，分析其是否依赖于分类知识或相似性计算。结果表明，分类与相似性相互关联，促进新属性在类别间的投射，为理解语言模型的概念结构提供新视角。

本文研究了Centered Kernel Alignment（CKA）算法在机器学习中的敏感性及其弱点，指出CKA值易被操控而不需实质性改变模型。通过去偏CKA，能够实现更准确的神经数据对齐，并提出新的相似性计算方法和量化标准，以提高神经网络的评估和比较效果。