本文介绍一种使用合成数据进行少样本分类的方法，该方法可以分类高维真实世界数据集，并将其应用于以前未见的自然语言处理任务中，使用软标签原型和修改的 k 近邻分类器进行分类，结果表明该方法可以在少数样本下进行分类，甚至超越了更复杂的 few-shot 学习方法。

Oct, 2022

研究深度神经网络在小数据集训练下的 few-shot learning 问题，提出 soft-label generalization of k-Nearest Neighbors 分类器，探索 decision landscapes 并研究 $N<M$ 个 soft-label 样本可以分离 $N$ 个类别的理论下限及其鲁棒性。

Sep, 2020

该研究运用天赋先验直接模拟人类在抽象视觉任务（例如字符 / 涂鸦识别）中的基本天赋先验，使得机器学习可以在类似于人类只使用很少的样例和预训练的情况下进行泛化，并保持和人类人类识别率相同。

Jan, 2022

通过开发一类深度生成模型，结合深度学习的表示能力和贝叶斯推理的推理能力，我们开发了一类具有一次性泛化能力的机器学习系统，并在三个任务上展示了其能力：无条件采样、生成给定概念的新实例、以及生成一组概念的新实例，所有这些情况下我们的模型只需看到一次新的例子即可生成引人入胜且多样化的样本，这为单次机器学习提供了一类重要的通用模型。

Mar, 2016

本文提出了一个复杂图像的低 - shot 学习基准模型，并以此为基础，提出一种注重表示规范化技术和为数据稀少的类别提供虚拟训练数据的技术，客观比较了不同方法在低 - shot 学习中的表现，并成功将 ImageNet 数据集中基于 novel classes 的 one-shot 准确率提高了 2.3 倍。

Jun, 2016

通过人类的单次或少次学习的能力，本文借鉴启发式的思想，提出了一种简单的技术，使深度循环网络能够利用其先前的知识从少量数据中学习新单词的有用表示，使自然语言处理系统更加灵活。

Oct, 2017

该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

Apr, 2018

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

本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

Mar, 2017

本文定义了一个新问题：不断出现的少样本学习；提出了 Continual Meta-Learner 来解决此问题，并在 MiniImageNet 和 CIFAR100 两个图像数据集上进行了广泛实验，表明 CML 在少量样本学习任务的分类准确性方面实现了现有最先进水平并避免了灾难性遗忘。

Jul, 2022