本文提出了一种基于向量投影网络的少样本检测方法，利用上下文词嵌入在每个目标标签向量上的投影作为单词 - 标签相似性，实现了一种等效的标准化线性模型方法。实验证明，该方法可以明显超越其他变量，在 SNIPS 和 NER 测试集的 5 个样本设置中，我们的方法分别在 F1 得分上比最强的少样本学习基线高出 6.30 和 13.79 分。

Sep, 2020

本文提出了一种增强任务适应性的 TapNets 神经网络模型，利用元学习策略和基于任务的投影方法来实现在只有少量训练数据的情况下进行优化，共学习一个网络和一组每类参考向量，通过将特征线性投影到投影空间并计算查询和参考向量之间的距离，从而实现出色的泛化性能。在 Omniglot, miniImageNet 和 tieredImageNet 数据集中的小样本下，该模型在各项指标下达到最优的分类精度。

May, 2019

本文提出了一种基于条件神经过程的方法，用于 few-shot 文本分类，通过从其他各种丰富注释的任务中迁移学习，利用梯度信息从基础模型中表示每个任务，并训练一个调整网络来调整一个文本分类器，受任务表示的条件约束，实验结果表明，这种方法在多个 few-shot 任务上的表现优于传统的 fine-tuning、序列迁移学习和最先进的元学习方法。

Jan, 2022

本文探讨了如何在缺乏足够资源的情况下，通过基于检索的方法完成少量样本学习并用于意图分类和填槽任务。我们提出了一种基于跨度级别检索的方法，通过一种新颖的批次 - softmax 目标函数，在相似的具有相同标签的跨度之间学习上下文化表示。我们的方法在 CLINC 和 SNIPS 基准测试中超过了先前的系统。

Apr, 2021

本文提出了一种基于 Consistent Dual Adaptive Prototypical (CDAP) network 的 few-shot sequence labeling 方法，其中包含了 token-level 和 span-level 的网络，通过 consistent loss 让两种网络进行相互学习，并采用一致的贪心算法进行推理，实验结果显示该方法达到了三个基准数据集的最新最优结果。

Jul, 2023

该研究提出了一种 Prototypical Amortized Conditional Random Field（PA-CRF）模型，用于近似标签原型之间的转移分数来建模字词依赖性，同时引入高斯分布模型来缓解模型对不充足数据的不确定性，从而解决事件类型识别中样本数量不足导致的错误传播问题，实验结果表明，该方法优于传统的基于识别 - 分类的方法。

Dec, 2020

该研究提出了一种生成式框架，用于多个序列标记任务和句子级分类。与以往的判别式方法不同，该模型通过共享自然语言输出空间，自然地融合标签语义，并在任务之间共享知识。该框架具有通用性，可在 few-shot、低资源和高资源任务上表现良好，并在命名实体识别、槽位标记和意图分类等基准测试中展示了这些优势。

Sep, 2020

通过解耦普遍语义表示相关与特定领域知识相关的经验，将 Few-shot 意图分类和槽填充任务中的域特定知识传递与其他经验分开，显著提升性能。

Dec, 2023

该研究提出了通过自训练和元学习技术解决多个自然语言处理任务中低标注数据带来的挑战的方法，并在六个基准数据集上实验证明了其在标注数据较少的情况下具有良好的效果。

Oct, 2020

引入了一种新的两阶段标签解码框架来建模长期标签依赖关系，并使用双流自注意力模型和贝叶斯神经网络来加快推断过程并减少错误传播。实验结果表明，该方法不仅优于基于 CRF 的方法，而且大大加快了推断进程。

Dec, 2020