通过连续学习方法中的权重损失景观锐度最小化，本研究提出了一种适用于连续学习任务的 C-Flat 方法，可以在几乎所有情况下提高模型性能。

Apr, 2024

使用多层感知器（MLP）解决跨领域少样本分类（CDFSC）的挑战，发现 MLP 可以显著提高判别能力和减轻分布偏移，与其他先进的 CDFSC 算法相比，显示出更好的性能。

Dec, 2023

本文研究了无需访问源领域数据的无源跨领域小样本学习问题，并提出了增强信息最大化与距离感知对比学习 (IM-DCL) 方法，通过引入转导机制、信息最大化和距离感知对比学习来解决这一挑战。在 BSCD-FSL 基准测试的四个数据集上验证了该方法的优越性。

Mar, 2024

本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

Jul, 2022

本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在 Meta-Dataset 基准测试中，相较于现有方法，准确率分别提高了 7.7% 和 5.3%，且参数效率至少提高 3 倍，达到了新的国际水平。

Mar, 2024

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

我们通过在训练阶段让目标领域中的一小部分无标签图像可访问，解决基于跨域 few-shot 分类的问题，同时通过指导网络的浅层学习更高级别的信息的跨层级知识蒸馏方法提取更有区分度的特征，以及通过特征去噪操作减少特征冗余并减轻过拟合，我们的方法在 BSCD-FSL 基准测试中平均超过了先前的最优方法 Dynamic-Distillation 在 1-shot 和 5-shot 分类任务上分别提升了 5.44% 和 1.37%。

Nov, 2023

利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

Apr, 2021

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

本文旨在解决度量方法下少样本分类领域差异的问题，使用特征转换层进行数据增强以模拟不同域下的特征分布，并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化，实验结果表明该方法适用于不同的度量模型，能够提高少样本分类准确性。

Jan, 2020