组合原型网络用于小样本图像分类
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
通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解，本工作试图弥合深度学习模型与人类学习之间的鸿沟，证明组合表示的价值并展示少量样本即可学习新类别的分类器。
Dec, 2018
本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。
Nov, 2019
该研究提出了一种模拟人类视觉学习的方法，通过发现并增强重要基元从而实现组合识别，达到了当下few-shot learning任务领域最好的表现，并更好地利用这些基元进行组合创新。
May, 2020
本研究提出了一种名为ProtoProp的原型传播图方法，用于解决在零样本学习中如何使用上下文线索进行分类的难题，本方法不依赖于任何外部数据，通过在给定数据集上的实验验证，我们证明了该方法优于现有技术的结果
Jun, 2021
本论文提出了一种基于原型补全的元学习框架，采用属性转移网络，利用类部件或属性的先验来学习预测看不见部分的属性，然后利用高斯原型融合策略来完成原型。该方法在归纳式和传递式少样本学习的情境中均取得了优越的性能。
Aug, 2021
我们提出了一种利用CLIP等大规模视觉语言模型进行少样本学习的新框架PROT0-CLIP。该框架通过图像原型和文本原型实现少样本学习，并通过对齐相应类别的图像和文本原型来提高分类效果。我们通过在少样本学习的基准数据集上以及在机器人感知领域的实际应用中进行实验证明了我们方法的有效性。
Jul, 2023
基于认知科学的启发式方法为有限样本的类别增量学习任务构建了一种组合模型，包括使用相似性测度衡量原始集合相似性、利用中心化核对齐近似原始集合相似性的原始组合模块以及增强原始可重用性的原始重用模块。在三个数据集上的实验证实了该方法的高性能及改进可解释性。
May, 2024
该研究论文提出了一种基于人工指定标准预定义原型的原型学习方法，其可以增加类别之间的嵌入可分性并解耦嵌入的不同方差因素，从而实现可解释的预测。通过提供实验证明了该方法的优势。
Jun, 2024