锚点散度
一种在固定对比学习表示上动态指定语义几何的方法，通过建模锚点上的概率分布来选择对应的Bregman散度几何，实现无需重训练的多视角语义相似度度量
时间轴 (近 90 天)
论文提出语义相似性本质上是依赖上下文的，两张图像可能因物体、视觉风格或临床诊断结论相同而相似
论文提出对比学习得到的表示天然蕴含一个几何家族而非单一几何，同一组固定向量表示可被特化到不同语义结构而无需重新训练模型
锚点散度方法作用于固定表示之上，通过指定不同的锚点分布获得面向不同语义需求的相似度度量，无需重新训练编码器
论文在检索任务上进行了实验，结果表明锚点散度提供了既有效又高效的方式来指定上下文相关的语义相似性
锚点散度与度量学习不同之处在于它不学习固定的线性变换，而是通过概率模型让用户在推理时按需指定语义上下文，无需为每种上下文维护独立距离矩阵或再训练适配层
锚点散度具有后处理特性，可在不改动已训练表示的前提下赋予表示空间以上下文适应能力
作为新发布的预印本，锚点散度方法在更大规模、更多样任务上的泛化能力仍有待进一步验证
全部知识事实 (7)
论文提出语义相似性本质上是依赖上下文的，两张图像可能因物体、视觉风格或临床诊断结论相同而相似
50%待验证论文提出对比学习得到的表示天然蕴含一个几何家族而非单一几何，同一组固定向量表示可被特化到不同语义结构而无需重新训练模型
50%待验证锚点散度方法作用于固定表示之上，通过指定不同的锚点分布获得面向不同语义需求的相似度度量，无需重新训练编码器
50%待验证论文在检索任务上进行了实验，结果表明锚点散度提供了既有效又高效的方式来指定上下文相关的语义相似性
50%待验证锚点散度与度量学习不同之处在于它不学习固定的线性变换，而是通过概率模型让用户在推理时按需指定语义上下文，无需为每种上下文维护独立距离矩阵或再训练适配层
50%待验证锚点散度具有后处理特性，可在不改动已训练表示的前提下赋予表示空间以上下文适应能力
50%待验证作为新发布的预印本，锚点散度方法在更大规模、更多样任务上的泛化能力仍有待进一步验证
50%