本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型Prototypical Networks和一种使用未标记数据的元学习算法来解实际问题，经过对Omniglot、miniImageNet和ImageNet进行实验，验证了这些算法可以使预测结果得到显著改进。

Mar, 2018

这篇论文介绍了几种代表性的few-shot分类算法的一致性比较分析，包括修改的基准线方法，新的评估设置等，并揭示了在 backbones网络较深时，减少类内变异是一个重要的因素，但与使用较浅的backbones网络时不太重要的结论。在现实的跨域评估设置中，我们展示了一种标准的微调实践的基准方法与其他最先进的few-shot学习算法相比的优越性。

Apr, 2019

本文研究了现有少样本分类方法，提出了一种鲁棒性较好的方法来应对培训数据量和测试数据量不匹配等情况。该方法通过理论分析，将嵌套式学习（meta-learning）与原型网络（Prototypical Networks）相结合，以研究最佳“Shot Number”（样本数量数），并取得了在少量训练数据和多量测试数据情况下良好的性能表现。

Sep, 2019

本研究关注元学习及其在few-shot分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。

Feb, 2020

本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。

Mar, 2020

本研究提出，以meta-training data为基础，先学习一个监督或自我监督的表征，再在表征上训练线性分类器，可以优于现有的few-shot learning方法。自教学技术可以进一步改善。这表明好的学习嵌入模型比复杂的元学习算法更有效。

Mar, 2020

本文考虑多任务表示学习的框架，总结最近的研究进展，指出基于梯度和基于度量的算法在实践中的根本差异并通过新的基于光谱的正则项改进元学习方法进行实验，以实现 few-shot 分类任务。

Oct, 2020

在Few-shot classification这个问题上，我们探究了如何训练MAML表现得更美好，发现MAML需要大量的梯度步骤才能适应少样本分类，敏感于试验时分类标签的赋值，本文提供了多种方法解决其排列不变性。我们命名为 UNICORN-MAML 的方法在MiniImageNet和TieriImageNet等基准数据集上表现良好，并与许多最新的少样本分类算法不相上下，而不损失MAML的简单性。

Jun, 2021

该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

Mar, 2023

基于元学习框架，我们提出了一种端到端训练范式，通过整个训练集的信息与元学习训练范式相互增强，以解决少样本学习中训练成本高和性能欠佳的问题。而且，我们的框架是无模型偏见的，相比基准系统提升了约1%的性能。

Mar, 2024