A Survey on Metric Learning for Feature Vectors and Structured Data

• 类型：arxiv
• 标识：1306.6709
• 链接：https://arxiv.org/abs/1306.6709
• 主题：database
• 主分类：engineering
• 形态：survey
• 被引：719
• 被引来源：Semantic Scholar
• S2被引：719
• OpenAlex被引：531
• 影响力被引：36
• TLDR：A systematic review of the metric learning literature is proposed, highlighting the pros and cons of each approach and presenting a wide range of methods that have recently emerged as powerful alternatives, including nonlinear metric learning, similarity learning and local metric learning.
• OpenAlex ID：W1898424075
• OpenAlex DOI：10.48550/arxiv.1306.6709
• DOI：10.48550/arxiv.1306.6709
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1306.6709
• OpenAlex更新：2026-08-19
• 待LLM分类：否
• 成熟度：research
• 场景：metric learning、similarity learning、feature representation
• 标题中文：面向特征向量与结构化数据的度量学习综述
• TLDR中文：本文对度量学习文献进行了系统综述，阐述了每种方法的优缺点，并介绍了近期涌现的一系列强大替代方法，包括非线性度量学习、相似性学习与局部度量学习。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]