使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

Dec, 2015

本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片，以提高表示学习在搜索新类别图片时的效率，并提出了一种新的评估方法来评估基于半监督学习方法的表示学习，在语义差异较大时，相比于传统监督学习，基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。

Aug, 2022

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

本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法，并证明该方法在几种关系学习任务上比现有技术显著优越，本方法具有预测性，可解释性和鲁棒性。

Mar, 2021

本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别，通过在有标签数据集上微调特征提取器和代理锚点，并在无标签数据集上对样本进行旧类别和新类别的划分和聚类，并利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘，实验证明，我们提出的方法在真实场景下的细粒度数据集上优于现有技术手段。

Jul, 2023

该论文探讨了基于模板方法选择数据集中的样本子集，以在分类场景下实现数据精简，即挑选代表性样本集合进行分类任务的研究，并提出了一种基于集合覆盖优化的方法来解决这一问题。

Feb, 2012

本文提出了一种基于样例理解的自选模型，使用原型概念的线性组合来解释自己的预测，以实现更好的可解释性，并通过多种限制条件进行优化。实验结果表明该方法具有良好的可解释性和竞争性的准确性。

Dec, 2022

本篇论文提出了 Shrinkage Exemplar Networks (SENet)，结合 shrinkage estimator 和 shrinkage exemplar loss 等来平衡 原型表示（高偏差，低方差）和样本表示（低偏差，高方差），同时通过采用样本的嵌入进行谱滤波，以动态调整样本的差异性，从而让 SENet 更好地解决小样本分类问题。

May, 2023

Proto-RL 是一种基于自我监督的框架，将表示学习与探索相结合，通过原型表示来实现，从而解决了强化学习中表示学习与探索之间的挑战，并在不带下游任务信息的环境中预训练这些任务无关的表示和原型，实现了一组困难的连续控制任务的最新下游策略学习。

Feb, 2021

这篇论文介绍了一种新的原型分布生成学习方法，名为 MGProto，它使用高斯混合模型表示原型分布，并结合原型多样性目标函数来提高表示能力和减少冗余，同时利用其生成性质实现了有效的异常样本检测。实验结果表明 MGProto 在分类和异常样本检测方面取得了最先进的性能，并具有令人鼓舞的可解释性结果。

Nov, 2023