本文提出了一种新的多标签少样本方面类别检测模型 - 标签增强原型网络 (LPNo)，利用标签描述作为辅助知识来学习更具有区分性的原型，结合对比学习和自适应多标签推理模块，同时解决了数据匮乏问题。实验表明，模型在三个数据集上均取得了最先进的性能。

Jun, 2022

该论文提出了基于原型网络的多标签少样本学习方法，引入两种有效的注意力机制并学习一个动态阈值，以实现情感分析中的方面类别检测任务，并在三个数据集上得到了显著的性能提升。

May, 2021

通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

Jan, 2019

本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

Sep, 2021

该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。

Oct, 2022

我们的工作致力于使用一小组种子词进行无监督的方面类别检测。我们提出了一个简单的框架，通过自动增强种子词的质量和选择高质量的句子进行训练，来缓解初始种子词质量和噪声对模型性能的影响。同时，我们对方面类别检测、方面术语提取和方面术语极性联合进行训练，以进一步提高性能。大量实验证明我们的框架在标准数据集上超过了强基准结果。

Nov, 2023

提出细化问题 -- 分类特定方面和意见词提取，并使用多任务注意力模型解决数据稀疏性问题，在三个基准数据集上展示出其最先进的性能。

Feb, 2017

本研究提出了一种基于度量学习的原型对齐网络（PANet）来解决仅使用少量样本进行图像分割的问题，它通过学习每个语义类别的原型表示，并通过匹配每个像素到所学习的原型来执行查询图像的分割，最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分（1-shot 和 5-shot 设置），是一种有效的 few-shot segmentation 方法。

Aug, 2019

本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

Aug, 2020

本文提出了约束注意力网络，它是一个简单而有效的解决方案，用于规范多方面情感分析中的注意力，从而缓解了注意机制的缺点，并在两个公共数据集上取得了很好的实验结果，并在多任务设置中超越了最先进的方法。

Dec, 2018