本文介绍一种基于原型传播网络 (PPN) 的元学习方法来改善少样本分类任务的性能，该方法可以使用粗标签进行弱监督，通过原型在类别图上的传播来学习注意机制以实现不同少样本任务上的高准确率。

May, 2019

本文提出了一种称为 Poisson 学习的新框架，用于在标签率非常低的情况下进行基于图的半监督学习。该方法取代了在训练点处分配标签值的过程，并将其替换为源和汇的布置，并在图上解决了由此产生的泊松方程。数值实验证明，该方法优于 MNIST，FashionMNIST 和 Cifar-10 上的半监督学习的其他最新方法，并且是高效且易于实现的。我们还提出了一种名为 Poisson MBO 的 Poisson 学习的图割增强方法，可以提高精度并可以包含相对类大小的先验知识。

Jun, 2020

本文提出了一种基于语言引导的原型网络 (LPN)，通过引入语言模态和计算视觉特征向量之间的相似性，从而改进了少样本分类任务。实验结果表明，该方法在基准数据集上具有与最先进方法相当的竞争力。

Jul, 2023

本文通过提出 Pareto 自监督训练（PSST）方法来解决少样本学习中的优化问题，该方法将少样本辅助学习分解成多个具有不同权衡偏好的约束多目标子问题，然后通过有效的首选 Pareto 探索在这样的首选区域中找到一组最优解。

Apr, 2021

本文介绍了一种基于随机游走的半监督少样本算法，相较于基于图的算法不需要额外的参数，在大多数基准测试中都比基线算法表现更好，且具有抗干扰性。

Mar, 2019

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

本文提出了一种半监督的方法，将少量的标记数据应用在源领域训练中，使用噪声容忍的伪标记过程进行半监督学习，并添加循环一致性约束来进一步利用未标记图像信息实现少量样本之间的图像转换。最终实验得到了优秀的结果，相较全监督方法减少了标记数据的要求。

Mar, 2020

本文提出了一种新的半监督少样本学习的转移学习框架，用于充分利用标记基础分类数据和未标记新类数据的辅助信息，并基于该框架开发了一种称为 TransMatch 的新方法，通过 Imprinting 和 MixMatch 实例化三个组件，实验结果表明，该方法可以显著提高少样本学习任务的准确度。

Dec, 2019

本文提出了泊松神经网络（PNN），使用结构化的神经网络来近似三种映射，从而学习泊松系统和自治系统的轨迹，模拟证明了 PNN 可以准确地处理包括粒子在电磁势中的运动、非线性薛定谔方程和二体问题的像素观察等若干具有挑战性的任务。

Dec, 2020

本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。

Feb, 2023