《開放環境下的度量學習研究》由南京大學人工智能學院副研究員葉翰嘉撰寫，內容榮獲2021年度CCF優秀博士學位論文獎。全書以模型在開放環境下輸入、輸出層面上面臨的挑戰為切入點，提出針對或利用度量學習特性的具體算法，從理論和應用等多個角度使度量學習的研究能夠契合開放的環境。
《開放環境下的度量學習研究》共七章：
第1章 緒論，主要介紹了度量學習、開放環境的特點、開放環境的研究進展以及全書的概要。
第2章 度量學習研究進展，首先介紹了監督學習和度量學習；然后講解了三種度量學習的相關算法，包括全局度量學習方法、多度量學習方法、高效度量學習方法；*后介紹了開放環境下度量學習的研究思路。
第3章 開放環境下度量學習的樣本復雜度分析，首先展示了現有的度量學習理論結果，然后提出了基于函數性質的度量學習樣本復雜度的改進方案，以及基于度量重用的度量學習樣本復雜度的改進方案。
第4章 基于度量學習和語義映射的異構模型修正，首先介紹了相關工作；其次介紹了基于度量語義映射的模型重用框架REFORM；然后介紹了實現模型重用框架REFORM的具體方法，包括自適應尺度的REFORM實現方法、學習變換的REFORM實現方法；*后展示了用于驗證的實驗流程和結果。
第5章 多語義環境下的多度量學習方法探究，首先介紹了多度量學習方法的相關工作；其次介紹了考慮多語義的多度量學習方法；然后介紹了多度量自適應選擇框架；*后展示了用于驗證的實驗流程和結果。
第6章 考慮噪聲影響的開放環境魯棒度量學習，首先介紹了相關工作；然后介紹了考慮樣本擾動的魯棒度量學習DRIFT；*后展示了用于驗證的實驗流程和結果。
第7章 總結與展望，總結了全書的研究內容，并對未來的研究方向和研究工作做出了展望。
第1章 緒論
1.1 引言 1
1.2 度量學習簡介 4
1.3 開放環境的特點 8
1.4 開放環境的研究進展 11
1.5 本書概要 12
第2章 度量學習研究進展
2.1 監督學習 15
2.2 度量學習 18
2.2.1 距離度量 18
2.2.2 度量學習的學習目標 20
2.2.3 度量學習算法評測 22
2.3 度量學習的相關算法 23
2.3.1 全局度量學習方法 23
2.3.2 多度量學習方法 24
2.3.3 高效度量學習方法 26
2.4 開放環境下度量學習的研究思路 27
第3章 開放環境下度量學習的樣本復雜度分析
3.1 引言 31
3.2 現有的度量學習理論結果 35
3.3 基于函數性質的度量學習樣本復雜度改進 38
3.3.1 基本定義 38
3.3.2 主要結論及討論 39
3.4 基于度量重用的度量學習樣本復雜度 44
3.5 實驗驗證 48
3.6 本章小結 63
第4章 基于度量學習和語義映射的異構模型修正
4.1 引言 65
4.2 相關工作 68
4.3 基于度量語義映射的模型重用框架REFORM 70
4.3.1 符號表示 70
4.3.2 同構空間中的模型重用 71
4.3.3 異構特征空間中的重用模型 73
4.3.4 代價矩陣和特征元表示 75
4.3.5 EMIT：編碼特征元信息 77
4.4 模型重用框架REFORM的具體實現 80
4.4.1 自適應尺度的REFORM實現方法 81
4.4.2 學習變換的REFORM實現方法 83
4.5 實驗驗證 84
4.5.1 不同參數設置下人造數據集的分類任務 85
4.5.2 不同時間段下的用戶質量分類 89
4.5.3 不同時間段下的論文主題分類 91
4.6 本章小結 93
第5章 多語義環境下的多度量學習方法探究
5.1 引言 95
5.2 多度量學習方法的相關工作 100
5.3 考慮多語義的多度量學習方法UM2L 101
5.3.1 統一的多度量學習框架 102
5.3.2 基于算子k引申出的多樣化語義 104
5.3.3 UM2L統一的求解算法 108
5.3.4 UM2L的泛化性能分析 112
5.3.5 UM2L的深度度量學習擴展 114
5.4 多度量自適應選擇框架LIFT 115
5.4.1 LIFT框架的主要思想與討論 115
5.4.2 LIFT框架的理論分析 118
5.4.3 LIFT框架優化策略 125
5.4.4 LIFT方法的全局度量版本 135
5.5 實驗驗證 135
5.5.1 分類性能測試 136
5.5.2 UM2L在不同類型實際問題中的應用 141
5.5.3 LIFT自適應性驗證 153
5.6 本章小結 158
第6章 考慮噪聲影響的開放環境魯棒度量學習
6.1 引言 160
6.2 相關工作 163
6.3 考慮樣本擾動的魯棒度量學習DRIFT 164
6.3.1 度量學習中的樣本噪聲擾動 165
6.3.2 DRIFT的優化方法 169
6.3.3 DRIFT算法的優化加速 173
6.4 實驗驗證 175
6.4.1 人造數據集上的可視化實驗 176
6.4.2 實驗數據集上的算法性能比較 177
6.4.3 算法的魯棒性測試 181
6.5 本章小結 185
第7章 總結與展望
7.1 本書工作總結 188
7.2 未來研究展望 191
新書資訊