LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

Apr, 2023

通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

Sep, 2020

本文从方法学、性能、应用等多个角度全面分析了最新的 few-shot class-incremental learning（FSCIL）的进展，包括理论研究、性能评估和应用案例，针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题，提出了一种划分方法，将 FSCIL 分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域，并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。

Apr, 2023

本文在对 Few-Shot Learning 进行了深入的调研的基础上，选择使用三种视角：数据，模型，和算法来对 FSL 的方法进行分类，以提供未来研究的启示。

Apr, 2019

本文提出了一种新的任务：约束的少样本学习（CFSL），介绍了一种基于 Cat2Vec 的 CFSL 方法，该方法使用类别对比损失，并受到模糊痕迹理论和原型理论等认知理论的启发。

Aug, 2022

提出了一种名为 LFS-GAN 的框架，用于解决在终身少样本图像生成任务中遇到的灾难性遗忘和过拟合问题，并通过引入 LeFT 和模式寻求损失方法实现了高质量、多样性图像生成，成为同领域的最新研究成果。

Aug, 2023

本文探讨了在线小样本学习在多个室内环境中物体分类的应用。研究发现，存在着灾难性遗忘和在线性能之间的平衡问题，提出了未来改进的方向。

Jun, 2022

本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

Nov, 2019

在这项工作中，我们提出了一种新颖的大模型驱动的少样本迭代学习（B-FSCL）框架，通过借鉴世界上的大模型（如人类累积知识）的强大编码能力，逐步演化模型，以提高持续模型的适应能力，并优化参数，实现自适应蒸馏的大模型的知识信息。经过在三个流行数据集上的实验验证，我们提出的 B-FSCL 完全超过了所有最先进的 FSCL 方法。

Sep, 2023

该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习，并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题，实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。

Apr, 2020