本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的generalized zero-shot learning的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于GZSL的重要性。

May, 2016

提出了一种基于Class Adapting Principal Directions（CAPD）的零/少样本学习方法，允许将图像特征的多重嵌入到语义空间中，学习用于将CAPD对齐到真实类别并与其他类别相反的无见类别的主方向，进而实现从已知类别到未知类别的高效信息传输。

Jun, 2017

本文旨在分析当前零样本学习领域现状，包括定义新的公认的零样本数据集评估协议与数据划分、设计新的Animals with Attributes 2数据集以及对当前现有的大量最先进的方法进行深入分析比较，并讨论当前领域的局限性，为进一步发展提供依据。

Jul, 2017

针对非离散训练和测试类别的广义零样本学习，本文提出了一种基于变分自编码器的生成性框架，该框架包括概率编码器和概率条件解码器。通过一个反馈机制，研究者用一个发生器生成来自已知/未知类别的新样本，然后将这些样本用于训练任何现成的分类模型。本文的模型在广义零样本学习方案中，可以从未知类别生成样本来训练模型，从而减少对已知类别的偏见。在多个基准数据集上的实验结果表明，相比多个最先进方法，本文的模型表现更好。

Dec, 2017

本文提出了一种贝叶斯方法，通过引入元类概念和在类周围实现贝叶斯层次结构，将数据似然性与本地和全局先验相结合，从而在归纳式零样本学习中恢复未见过的类。

Jul, 2019

通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以3.9%的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。

Oct, 2020

本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了GZSL可用的基准数据集和应用以及未来研究方向。

Nov, 2020

本研究提出了一种新的在线学习方法，旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战，该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来，并在五个基准数据集上表现出更好的泛化能力。

Mar, 2022

通过将输入样本分割成补丁，并借助Vision Transformers对其进行编码，从而在图像的局部区域之间建立语义对应关系，而不受其各自类别的影响。利用掩蔽图像建模等方法进行无监督训练，以克服标签不够精细以及避免负面的图像级注释影响，实现了对数据的更一般的统计结构的学习，并在四个流行的Few-shot分类基准测试中，对于5-shot和1-shot情形均取得了新的最优结果。

Jun, 2022

本文介绍和研究了零基础广义少样学习（zero-base GFSL），提出了一种简单而有效的归一化方法，可以有效控制新类的权重分布的均值和方差，实现了对新类和基类的令人满意的性能，并且不使用任何基本样本的零基础GFSL方法甚至优于利用基本数据的现有GFSL方法。

Nov, 2022