- EMNLPBYOC：基于共同撰写的类别描述的个性化少样本分类
我们提出了一种使用 LLM 进行少样本文本分类的新方法，其中 LLM 为每个类别的重要特征描述提供提示，用户与 LLM 进行交互以共同撰写这些描述，我们的实验证明了我们的方法能够获得高准确度的分类器，并且用户能够构建适合其特定需求的个性化分 - CUPre：跨域无监督预训练用于少样本细胞分割
通过跨域无监督预训练 (CUPre)，利用未标记的细胞图像将目标检测和实例分割的能力从 Common Objects in Contexts (COCO) 数据集转移到细胞图像领域，从而实现对少样本细胞分割的预训练，最终实验结果表明 CUP - 少即是多：预训练模型在少样本任务中的特征冗余
使用预训练模型进行线性探测，当下游数据稀缺或少样本时，预训练特征可能是非常冗余的；而在少样本任务中，只使用最重要的特征维度的 1% 就能恢复与使用完整特征表示所达到的性能。根据理论分析，高方差和类中心之间距离较小的特征维度可能是影响少样本转 - AAAI声音提示分割是可推广的音频 - 视觉源定位器
通过引入编码 - 提示 - 解码范式，本研究关注零样本和少样本情景下的视听定位和分割任务，并通过构建语义感知的音频提示和相关适配器，实现了在数据稀缺和数据分布差异方面的优越性能。
- CONVERSER：基于合成数据生成的小样本对话稠密检索
使用 CONVERSER 框架，在最多 6 个领域对话示例的情况下，利用大规模语言模型的上下文学习能力为基于对话的密集重排进行训练，实验结果表明所提出的框架在少样本对话密集重排中取得了可比较的性能。
- 利用粗到细的基于词典的检索器改进少样本和零样本实体连接
本论文提出了一种基于词典的粗粒度到细粒度检索器，在两个层次上进行检索，以有效地检索实体候选项，并利用实体描述来消除与现有流行实体重名的尾部或新实体的歧义性，实验结果表明，我们的方法在不需要进行大量微调的情况下可以获得卓越的性能，在中文 Fe - 随心所欲的视觉描述：由少量风格化句子引导的图像和视频描述
FS-StyleCap 是一个用于 Few-Shot Stylized Visual Captioning 的框架，通过训练样本生成相关风格的标题描述，其在自动评估中的结果优于现有方法，并且在处理多种风格方面具有能力。
- FlipNeRF：少样本新视角合成的翻转反射光线
本文介绍了一种利用 Flipped reflection rays 的 Few-shot novel view synthesis 新颖正则化方法 FlipNeRF，并使用 Uncertainty-aware Emptiness Loss - DCASE 2023 挑战中的少样本生物声事件检测
DCASE 挑战赛的 Few-shot 生物声学事件检测任务中，限制训练数据集，于 2023 年共有 6 个团队参加，最高 F-score 达到 63％，方法多样。
- 少样本节点分类的归纳线性探测
本研究针对现有文献主要关注 transductive few-shot node classification，忽视了 broader few-shot learning community 中广泛研究的 inductive setting - SF-FSDA: 高效标记数据工厂的无源少样本域自适应目标检测
本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。
- 文本驱动的少样本领域自适应视觉融合事件检测
本研究提出一种领域特定的、可从少量标注的图文数据训练的、可在缺乏可视化背景下合成图像的视觉联想事件检测方法，实验结果表明，在 M2E2 基准数据集上，该模型的性能超过了现有的最先进模型达 11 个百分点。
- ActorsNeRF: 可动画的通用少样本人体渲染 NeRF
本篇论文提出了一种新颖的可动态生成 NeRF 模型 ActorsNeRF, 采用少量新演员的单目视频帧进行自适应训练，进一步采用两个人类先验来捕捉人类外观、形状和姿势变化，并在多个数据集上定量和定性地证明 ActorsNeRF 在 few- - 基于注意力机制的连体卷积神经网络在医学图像识别中的应用
本研究基于注意力和连体神经网络，针对少样本和细粒度图像识别问题，提出了适用于分类模型的连体神经网络，并使用注意力神经网络来改善分类效果，结果表明，在 COVID-19 肺样本上测试，样本数量越少，与普通神经网络相比优势越明显。
- 面部识别系统数据审计
本文提出了一种成员推理的面部审核工具 FACE-AUDITOR，可以在不影响人脸识别模型实用性的情况下，更好地保护用户隐私。实验表明，FACE-AUDITOR 可以实现高达 99% 的审核准确性，并且对一些干扰机制具有较强的鲁棒性。
- 用于结肠组织分类的交叉调制少样本图像生成
提出了一种针对罕见癌变组织的组织图像生成方法，命名为 XM-GAN，可通过少量基础和参考图像生成高质量且多样化的图像，并用于组织图像分类任务中的数据扩增，表现优于基准分类器。
- ChatGPT 是否为高度流利的语法错误修正系统？一项全面评估
本文旨在探究 ChatGPT 在语法错误修复领域的潜力，通过设计零样本连贯性（CoT）和少样本 CoT 方案来进行评估，并通过在不同语言以及英语文件级别 GEC 测试集中的表现和人工评估来展示该模型的优秀的错误检测能力和非常流利的纠错结果。 - 研究大型多语言语言模型的翻译性能：以 BLOOM 为例
本文评估了覆盖 46 种语言的新型开放访问的大型多语种语言模型 BLOOM 在机器翻译上的表现，结果显示少量样本学习模式下，该模型在许多语言对中表现良好，但 0-shot 性能受到过度生成和错误语言生成的影响。
- 适应性边际的元学习三元组网络用于少样本命名实体识别
本文提出了 MeTNet 方法，使用三元组网络映射样本和原型向量到低维空间，通过自适应的边缘控制实体类型，实现了准确的 few-shot 命名实体识别。
- EMNLP面向少样本学习的情境内在伦理框架识别
该研究旨在通过预训练的 Large Language Models，提出启示式方法来识别 Morality Frames，以减少依赖昂贵的人工注释，实现少样本学习。使用 few-shot RoBERTa 进行比较，实验结果显示，该方法取得了