提出了一个简单的生成模型框架，用于学习预测以前未见过的类，该模型通过估计门限类条件属性分布来实现，与大多数现有的零样本学习方法不同，我们的生成模型自然地将每个类表示为概率分布，可以无缝扩展到少样本学习，并通过在训练过程中使用来自未见过的类的未标记数据提高其条件分布的估计效率。

Jul, 2017

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

该研究提出使用生成对抗网络（GAN）来“合成”零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

利用生成对抗网络(GANs)想象从文本描述中无法见到的类别，生成目标类别的视觉特征，附加伪数据，使得零样本学习自然地转换为传统的分类问题，并提出视觉中心正则化以保持生成特征的跨类别区分能力。实验表明，该方法在基于文本的零样本学习的最大可用基准测试中始终优于现有技术水平。

Dec, 2017

通过使用生成对抗网络（GAN）生成未见类别的语义嵌入辅助数据点，结合传统训练数据，利用模型选择机制使得泛零样本学习可以分为两个不相交的分类任务，以减少不平衡的数据分布，从而获得最先进的结果。

Nov, 2018

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉->语义映射，语义->视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018

该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影(SLPP)技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Mar, 2019

本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源/目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源/目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

Mar, 2020

本文中，我们提出了带条件的联合生成对抗网络（CoCoGAN）来解决零样本域自适应（ZSDA）问题，在没有目标域数据的情况下训练CoCoGAN以完成领域自适应。通过在相关任务（RT）和不相关任务（IRT）中采用源域数据和双域数据进行训练，CoCoGAN能够捕获两个不同任务的双域样本的联合分布，从而使其在图像分类方面优于现有的技术水平。

Sep, 2020

研究如何转移使用GAN训练的一个图像领域到一个新的领域，只需一个目标图像；通过使用属性适配器和属性分类器的轻量级模块，对生成器和鉴别器进行改进，从而提高合成质量和多样性，并在训练过程中约束生成领域的多样性，不仅在各种设置下带来了具有吸引力的结果，而且能够在几分钟内提供稳健的收敛。

Nov, 2021