本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

Jun, 2023

本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning （BSCD-FSL）基准，并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越，同时发现所有方法的准确性倾向于与数据集的相似性相关，这验证了该基准的价值，可指导未来的研究方向。

Dec, 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

本文提出了一种新的元 - 混合网络，提出了利用少量标记目标数据来指导模型学习的想法，通过重新提出并将混合模块集成到元学习机制中，以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法，实现了缩小域差距的目的，从而使模型能够很好地推广到目标数据集。

Jul, 2021

跨领域少样本分割 (CD-FSS) 需要仅使用有限样本从不同领域中对新颖类别进行分割，论文发现通过 fine-tuning 阶段有效地在领域之间转移学习得到的元知识的必要性以及由于新颖类别样本稀缺导致朴素的 fine-tuning 存在过拟合风险，并提出了一种解决这一挑战的新型跨领域 fine-tuning 策略，通过设计双向少样本预测 (BFP) 和迭代少样本适配器 (IFA) 来降低过拟合风险并最大化利用稀疏的新颖类别样本的监督信号，实验证明该方法显著优于当前技术水平 (+7.8%)，验证了 IFA 能同时应对跨领域挑战和减轻过拟合问题。代码将提供。

Jan, 2024

提出了一种新颖的跨领域少样本视频动作识别方法，利用自监督学习和课程学习平衡源领域和目标领域的信息以解决多样性之间的挑战。在几个具有挑战性的基准数据集上评估并展示了该方法优于现有的跨领域少样本学习技术。

Sep, 2023

本文研究了 Few-Shot Learning 中当 support 和 query 样本来自于不同分布时的问题，提出了一种结合 Optimal Transport 和 Prototypical Networks 的新方法，有效缓解了 Distribution Shift 的影响，提高了模型的表现。

May, 2021

本文提出了一种新的训练方法，通过已有的解释方法来解释模型的预测，以及开发了一种模型不可知的解释引导训练策略，动态找到并强调对预测重要的特征，从而改善跨域少样本分类任务中模型的泛化能力，并在五种 few-shot 学习数据集上观察到了三种不同 FSC 模型（RelationNet，交叉注意力网络和基于图神经网络的公式）的准确性提高。

Jul, 2020

本研究在跨领域少样本动作识别问题中，通过系统性评估已有的单领域、基于迁移的和跨领域方法，发现领域差异与性能之间存在相关性，揭示了一些对 CD-FSAR 方法有效的模型方面，以及需要进一步发展的方面，希望这些洞见能够激发和指导未来在这些方向上的研究工作。

Jun, 2024

通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。

Aug, 2023