LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

Apr, 2023

本文提出了一种新的任务：约束的少样本学习（CFSL），介绍了一种基于 Cat2Vec 的 CFSL 方法，该方法使用类别对比损失，并受到模糊痕迹理论和原型理论等认知理论的启发。

Aug, 2022

通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

Sep, 2020

深度学习在数据资源和计算资源需求上的局限性使得其在许多数据受限的实际应用中不实用，而 Few-Shot Learning（FSL）旨在通过使其能够快速适应新学习任务来解决这些限制，并在最近几年取得了显著的增长。本综述提供了对该领域最新进展的全面概述，包括 FSL 的定义、与不同学习领域的关系、引入的新分类法以及经典和新领域中的实际应用。在最后，讨论了塑造该领域的最近趋势、突出挑战和有前景的未来研究方向。

Feb, 2024

本文提出了一种新的少样本生命周期学习方法，通过仅训练模型的部分参数来防止过拟合，同时最大程度上减少了灾难性遗忘，并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能，同时还证明了结合自我监督的方法可以显著提高模型性能。

Mar, 2021

该研究运用天赋先验直接模拟人类在抽象视觉任务（例如字符 / 涂鸦识别）中的基本天赋先验，使得机器学习可以在类似于人类只使用很少的样例和预训练的情况下进行泛化，并保持和人类人类识别率相同。

Jan, 2022

本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

Feb, 2021

本篇综述了最新关于使用少样本学习方法来解决医疗自然语言处理问题的研究状态。结果显示，多数研究侧重于已存在的数据集，其中概念提取和命名实体识别是最常见的任务，研究方法主要包括注意力机制、原型网络和元学习。然而，当前的研究还面临着医学领域数据集数量有限以及少样本学习方法在医学领域表现不如在其他领域的问题，因此需要创建更加专业的医学数据集来促进该领域方法的发展比较分析。

Apr, 2022

本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

Oct, 2022

本研究提出了一种基于自监督训练（UFLST）的无监督少样本学习方法，使用渐进聚类和情节训练进行训练以进一步优化数据的特征表示，并证明了该模型在几个基准数据集中的良好性能，包括 Omniglot 和 Mini-ImageNet。

Dec, 2019