本文介绍了一种鲁棒测度学习方法，通过将学习任务转化为凸规划问题，提出了高效的学习算法。研究表明，该方法在UCI数据集上有效，能够解决距离度量问题并提高分类准确度。

本文介绍了一种新的Mahalanobis度量学习方法，旨在提高推荐系统中对用户偏好的理解。该方法在处理噪声和样本复杂度方面表现优异，能够有效捕捉用户偏好，并在多个真实数据集上提高推荐准确度4-22%。此外，提出的鲁棒测度学习和逻辑判别度量学习算法在不同场景下也展示了有效性。