采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

本研究旨在开发Adversarial Querying算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在Mini-ImageNet和CIFAR-FS等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

Oct, 2019

本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源/目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源/目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

Mar, 2020

本文的研究着重于文本识别问题，通过提出元自学习方法(Meta Self-Learning)和收集包含5个不同领域的超过5百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

Aug, 2021

本研究提出一种基于元学习和对抗训练的元领域适应框架，用于解决few-shot关系分类在跨领域场景中的问题，并在实验中验证了该模型的有效性。

Feb, 2022

提出了一种基于自适应元学习和梯度相似性的方法 AMGS，通过获得样本的潜在语义表示和构建自监督辅助任务以及利用自适应元学习者对基学习者在外循环中获得梯度的约束，以解决少样本学习场景下优化方法的过拟合问题。实验结果表明，与基于优化方法的元学习方法相比，该方法能够提高 few-shot 文本分类的性能。

Sep, 2022

本文提出了一种Meta-Learning Siamese Network来解决few-shot learning中的三个主要问题（即原型向量计算中忽略采样的随机性，忽略标记样本的重要性和纯随机构建元任务）。与现有模型相比，Meta-SN利用外部知识来编码原型向量，并提出了一种新的抽样策略来构建元任务，同时在六个基准数据集上展示了其明显的优越性。

Feb, 2023

通过限制数据和提供对抗文本监督，提出了一种少样本对抗提示框架，该框架在提高对抗鲁棒性方面表现出卓越的能力，并在仅使用1％的训练数据时，达到了与最先进的零样本对抗鲁棒性相匹配的水平。

Mar, 2024

本研究解决了现有文本分类模型在新挑战性未见领域的泛化能力不足这一问题。提出了一种多源元学习框架，通过模拟模型对未见领域的泛化过程，并引入记忆机制和“陪审团”机制，以提取域相关特征和学习足够的域不变特征。实验结果表明，该框架显著提高了模型在未见领域的泛化能力，并在多源文本分类数据集上超越了最先进的方法。

Sep, 2024

本研究解决了现有元学习方法在少样本文本分类中准确提取类别原型的难题，主要由于类内差异大和类间差异小。提出了一种新方法，通过构建任务自适应度量空间来减少类内差异并增强类间差异，同时利用最优传输技术估计类别原型，显著提升了分类精度。实验结果表明，该方法在所有基准数据集上均优于最新模型。

Oct, 2024