学习组合表示用于少样本识别
本文提出了组合特征聚合（CFA）模块作为深度网络的弱监督正则化方法来增强少样本学习模型的组合性，并且不需要对其进行任何监督训练。经过大量实验验证，该方法在少样本图像分类和行为识别任务中取得了显著的改进。
Jun, 2019
该研究提出了一种模拟人类视觉学习的方法，通过发现并增强重要基元从而实现组合识别，达到了当下few-shot learning任务领域最好的表现，并更好地利用这些基元进行组合创新。
May, 2020
该研究介绍了一个名为ConceptWorld的环境，用于生成通过逻辑领域特定语言定义的构成和关系概念的图像。研究测试了标准神经网络和关系网络的泛化能力，并提出了一个潜在的基准模型，以鼓励在构成和关系领域有效泛化的模型的发展。
Jun, 2020
基于人类认知启发的 Recognition as Part Composition 图像编码方法，在零样本学习、少样本学习和无监督领域自适应等低样本泛化任务中，可以克服深度卷积神经网络面临的难题，并且在对抗攻击下比深度神经网络更具鲁棒性。此外，采用 RPC 图像编码器的分类器对人而言是可解释的。基于此，我们提出了一种应用解释性编码的方法，生成用于评估新数据集零样本学习方法的合成属性注释。
Apr, 2022
本文探讨了使用不同的自监督学习算法所学到的表示在复合泛化上的能力，研究发现，与其它算法相比，使用EL模型学习到的表示具有更强的复合泛化能力，但在训练简单模型并使用少量标签进行泛化时直接使用瓶颈表示会导致泛化性能较差，同时现有的度量复合性的指标与本文的评价方法不相关
Oct, 2022
本文探讨了人类与计算机视觉模型在不同类型的视觉组合任务中的差异，通过大程序空间中的最佳程序来生成具有丰富关系结构的候选视觉对象，发现人类和程序感知上存在着一些相同点，同时在一些结构上存在不同，其中，形成新的概念主要涉及到的是组合机制和抽象。
May, 2023
本文提出了Compositional Prototypical Networks（CPN）以及学习转移原型和元知识的方法，以提高特征重用性并取得了在不同数据集和设置下的最先进的结果。
Jun, 2023
本篇论文从识别可表达性学习出发，将组合性视为数据生成过程的属性而非数据本身，并提出了仅取决于训练分布和模型架构的轻微条件，为组合泛化建立了理论框架，并验证了其应用于现实世界场景的结论，从而为组合泛化的原则性理论研究铺平了道路。
Jul, 2023
基于认知科学的启发式方法为有限样本的类别增量学习任务构建了一种组合模型，包括使用相似性测度衡量原始集合相似性、利用中心化核对齐近似原始集合相似性的原始组合模块以及增强原始可重用性的原始重用模块。在三个数据集上的实验证实了该方法的高性能及改进可解释性。
May, 2024