最近，发展能够促进公平性的机器学习（ML）模型引起了广泛关注，即消除对特定群体（例如来自特定人口统计群体的个人）的偏见预测。本文定义了具有有限训练样本的公平感知学习任务，即 “公平少样本学习” 问题，并提出了一种新颖的框架，通过在不同的元训练任务中积累公平感知知识，然后将这些学到的知识推广到元测试任务中。此外，我们在三个真实世界数据集上进行了大量实验证明我们的框架相对于现有基线算法具有卓越的优势。

Aug, 2023

本文介绍了一种新颖的问题：在联合学习场景下，如何面对数据有限的客户端。为了解决数据分布和本地数据不足等问题，提出了联合少样本学习框架，并进行了大量实验，证明了该框架的有效性。

Jun, 2023

本文介绍了一种新型迭代式快速文本分类模型训练平台 FASL，将 few-shot learning 和 active learning 两种方法相结合，探究了哪种主动学习方法在 few-shot setup 中的效果最佳，还开发了一个模型来预测何时停止标注。

Apr, 2022

本文提出了一种两阶段的训练策略 Partner-Assisted Learning（PAL）用于 Few-shot Learning，通过训练伙伴编码器和主编码器来获得基本表示，并设计对数输出和特征级别的对齐约束，从而在几个基准测试中一致优于最先进的方法。

Sep, 2021

本文提出了 FedAUX, 是一种改进的 Federated Distillation 算法，旨在通过在辅助数据上执行无监督的预训练并使用差分隐私确信度评分来提高模型的训练性能，实验结果表明 FedAUX 在 iid 和非 iid 模式下，表现出与中心化训练相近的优异性能。

Feb, 2021

本文介绍了一种名为 AAL 的方法，通过数据增强和重复使用支持集来生成无需任何标签的无监督少样本元学习任务，以提高泛化能力，从而实现对小规模真实标注数据的有效训练。

Feb, 2019

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

本文提出了一种名为 ULDA 的无监督少样本学习框架，通过数据增强中的分布偏移建立预文本少样本任务，重视分布多样性，扩展训练而实现良好的泛化性能并获得了既定少样本学习任务中的最新结果。

Apr, 2020

本研究探索在硬任务（即少样本自然语言理解）和强基线（即超过 10 亿参数的预训练模型）上进行数据增强。通过生成模型和分类器共同生成标签翻转数据的新方法 FlipDA，该方法能够提高任务的有效性和稳健性。

Aug, 2021

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