我们提出了 FewRel 数据集，其中包含来自维基百科的 100 种关系中的 70,000 个句子，这些句子由群众工作者进行注释。我们针对关系分类采用了最新的 Few-Shot Learning 方法，并对这些方法进行了全面的评估。实证结果表明，即使是最具竞争力的少样本学习模型也很难完成此任务，这表明 Few-Shot Learning 在关系分类方面仍然存在着问题，需要进一步的研究。

Oct, 2018

研究使用少样本学习 (FSL) 处理关系分类（RC），并提出了一种新方法来从可用的监督 RC 数据集中产生更现实的 FSL 测试数据，针对嵌入式最近邻方法的分类方案进行了分析，并提出了一种新的分类方案，其中 NOTA 类别被表示为学习向量，并展示了该方法对 FSL 的吸引力。

Apr, 2021

我们引入了一个元数据集，其中包括两个从现有的监督关系抽取数据集 NYT29 和 WIKIDATA（以及 TACRED 的 few-shot 形式）中派生的数据集。我们对六种最近的 few-shot 关系抽取方法进行了全面评估，观察到没有一种方法被明确地确定为胜者。此任务的整体性能较低，表明未来研究有很大的需求。我们释放了所有数据版本，即监督和 few-shot 数据，供未来研究使用。

Apr, 2024

本研究提出了 FREDo，一种少样本文档级关系抽取基准测试，通过两个现有的监督学习数据集 DocRED 和 scieRC 构建了一个基准测试，并发现 FSDLRE 是一种具有新特征的具有挑战性的任务，特别是关于 NOTA 分布的真实性，可以从支持集中抽样 NOTA 实例。

May, 2022

本文提出了一个概念简单、灵活、普适的框架来进行少样本学习，并在五个基准测试中展示了该方法的有效性。

Nov, 2017

本文提出了一种新的直接加法方法来更加明确有效地将关系信息引入 Few-Shot 关系提取模型，该方法通过连接两种关系视图来生 成关系表示，并将其直接添加到原型中进行训练和预测，在 FewRel 1.0 基准数据集上实现了显著的改进，并且与最先进的结果相当。

May, 2022

本文提出一种新的 few-shot 目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过 Attention-RPN，Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。作者还贡献了一个包含高品质注释的 1000 个物体类别的新数据集，是针对 few-shot 目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。

Aug, 2019

本文研究了少样本关系抽取问题，在元学习的基础上，提出了一种基于对比学习的方法，该方法通过利用关系标签信息来学习更好的表征，并进一步设计了一种方法，使模型能够自适应地学习如何关注难任务。实验表明，我们的方法在两个标准数据集上都有出色的表现。

Sep, 2021

本研究旨在增强少样本关系分类，特别是针对联合描述多个关系的句子。我们提出了 CTEG 模型，它配备了两种机制，以学习如何解耦易混淆的关系：一个基于实体引导的注意机制 (EGA) 和一个明确学习如何区分关系的混淆感知训练 (CAT) 方法。实验证明，我们提出的 EGA 和 CAT 可有效解决关系混淆问题，并实现了与强基线方法相当甚至更好的分类效果。

Oct, 2020

最近的方法调查了命名实体识别和关系分类这两个任务，重点关注少样本学习方法，并比较了两个任务中的主要方法，报告了少样本学习范围内的最新指标得分。

Oct, 2023