本文提出了一种新的深度学习架构，用于多标签零样本学习，在这种学习中，可以为每个输入实例预测多个看不见的标签。研究人员提出了一个框架，结合了知识图谱和语义标签空间信息传播机制进行视觉推理，以解决多标签分类和 ML-ZSL 任务。与现有技术相比，该方法的性能相当或有所提高。

Nov, 2017

本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

Sep, 2020

本文提出了一种多标签零样本学习的框架，旨在解决测试时如何利用多标签相关性的挑战，并通过实验表明，所提出的深度回归模型和基于语义词向量的零样本学习算法，以及转导式学习策略，优于各种基线算法。

Mar, 2015

本文提出了一种零样本学习方法，利用生成对抗网络从文本描述中学习新关系的语义特征并在知识图谱中识别新关系的事实，使得知识图谱的扩展更加容易，实验结果表明这种方法可以被广泛应用于任何版本的知识图嵌入，并在 NELL 和 Wiki 数据集上实现了一致的性能提升。

Jan, 2020

本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

Jun, 2022

本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

Mar, 2015

本文提出了一个两阶段的框架，结合了数据扩充和特征扩充来解决零样本文本分类问题，同时将四种语义知识结构（词嵌入，类别描述，类层次结构和通用知识图谱）纳入到该框架中，实验结果表明，该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体准确率。

Mar, 2019

该论文提出了一个不同层面的融合方法，从多标签类别嵌入中生成多标签特征，将其应用于零样本图像分类和检测。实验结果表明，与现有方法相比，我们的跨层级融合方法在三个基准测试数据集上都获得了更好的性能。

Jan, 2021

本篇研究研究了在说名高成本的标注或标签问题下，如何使用监督图形对比学习，数据增强，子图编码和多尺度对比等机制，实现图形节点分类任务的有效编码器。实验表明，相比基于元学习的方法，这个新的框架可以显著提高少样本节点分类问题的性能。

Mar, 2022

综合分析了最近的 Graph 表示学习的发展情况，并提供了比较和未来方向，将现有研究系统分类为元学习方法、预训练方法和混合方法，并比较它们的优势和局限性，为 Few-shot 学习在图上的未来方向提供了引导。

Feb, 2024