本文介绍了一种新的针对单一类别训练原型 few-shot 模型的方法，引入了一个以零为中心的 “空类” 并通过批量标准化实现中心化，同时提出了一个用于距离计算的新的高斯层次，该层次考虑了支撑示例的分布而不仅是它们的质心，在 Omniglot 数据集上得到了.98 的分类准确率，在 MiniImageNet 数据集上的测试准确率为.8。

Jun, 2019

本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

Mar, 2017

这篇论文介绍了一种新的原型分布生成学习方法，名为 MGProto，它使用高斯混合模型表示原型分布，并结合原型多样性目标函数来提高表示能力和减少冗余，同时利用其生成性质实现了有效的异常样本检测。实验结果表明 MGProto 在分类和异常样本检测方面取得了最先进的性能，并具有令人鼓舞的可解释性结果。

Nov, 2023

本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

Nov, 2017

提出一种新的基于高斯原型网络的 $k$-shot 分类方法，并在 Omniglot 数据集上取得最新的学术成果。

Aug, 2017

本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。

Nov, 2019

本文提出了原型校准方法，用于零样本和少样本分类中自适应地学习更健壮的决策边界，以替代贪婪解码。实验结果表明，原型校准在各种任务中都有显著的提高，从而极大地提高了 GPT 对不同模板、排列和类别不平衡的鲁棒性。

May, 2022

该论文探讨了基于模板方法选择数据集中的样本子集，以在分类场景下实现数据精简，即挑选代表性样本集合进行分类任务的研究，并提出了一种基于集合覆盖优化的方法来解决这一问题。

Feb, 2012

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

本文提出了一种自监督的原型传递学习方法 ProtoTransfer，旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 ProtoTransfer 方法超越了最先进的无监督元学习方法。在存在领域偏移的少样本实验中，我们的方法甚至具有可比拟于监督方法的性能，但需要 orders of magnitude 较少的标签。

Jun, 2020