- CVPR基于传递的零样本和小样本 CLIP
这篇论文研究了在 CLIP 等视觉语言模型的快速发展文献中被完全忽视的跨导式零样本和少样本 CLIP 分类挑战，其中推断是在一批未标记的查询样本上进行的，而不是独立处理每个实例。通过构建信息性的视觉文本概率特征，本文提出了一个基于最小化问题 - 图上的归纳奖励推理
我们研究了基于图的信息传播的奖励推断方法，利用有限人类奖励注释和可用数据构建了奖励传播图，并通过传导推断方法估计未标记数据的奖励，以此改善离线强化学习任务的性能。
- 自适应锚点标签传播用于转导式少样本学习
在本论文中，我们提出了一种新的算法，通过在流形中优化标记数据的特征嵌入来最小化可微损失函数，从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用 - EMNLP基于 API 嵌入模型的文本少样本分类的传导学习
该论文介绍了使用专有和封闭的 API 来处理自然语言的普遍性和影响，重点讨论了少样本分类和转导推断在自然语言处理中的应用和优势。
- 一次学习的任务自适应特征转换
介绍了一个简单的非线性嵌入自适应层，对于一次性任务，在固定的预训练特征之上微调，从而显著改善了低样本情况下的传导熵推断。
- 使用预训练的生成转换器（GPT-3）作为即插即用的感应模型用于医学图像分析的 GPT4MIA
本研究提出了一种新的方法（称为 GPT4MIA），利用生成预训练变压器（GPT）作为医学图像分析（MIA）的即插即用传递推理工具，在理论分析上，我们开发了多个技术处理，以提高 GPT4MIA 的效率和有效性，包括更好的提示结构设计、样本选择 - 基于分段的度量学习用于少样本生物声音事件检测
本文提出了一种利用 segment-level few-shot learning 框架来在少量正负例的情况下检测生物声音事件。实验结果表明，使用负样本有利于提高模型的泛化能力，采用在验证集上的推导式推理可以更好地适应新颖的类别。该方法在 - 传导式少样本学习的现实评估
该研究探讨了在 few-shot 任务的查询集中引入任意类别分布（即类别不平衡）的影响，进一步提出一种基于 α-divergence 的损失函数，有效地处理了类分布变化，大幅提高了性能。
- 少样本学习的本地传播
本研究介绍了局部传播的方法，通过建立图来传播自身和标签，同时在少量数据情况下具有传导推断的能力，从而可以提高准确性。
- ICCV迭代标签清理用于传导式和半监督式小样本学习
本论文介绍了一种改进的算法，利用有标注数据和无标注数据的流形结构预测伪标签，在类之间平衡，并使用容量有限的分类器的损失值分布选择最干净的标签，以迭代方式改善伪标签的质量，从而在几个基准数据集上超越了现有技术结果，具有数据可用性与特征空间预处 - CVPR无元学习的小样本分割：良好的瞬态推理是否足以胜任？
本文研究了在执行几次分割任务中进行推理的方式对性能产生了重要影响，并介绍了一种对查询图像进行转导推理的方法，通过优化包含交叉熵、Shannon 熵和 KL 散度规则的新损失函数，实现了具有竞争力的性能，尤其适用于 1-shot 场景以及基于 - 跨摄像机卷积色彩恒常性
通过跨相机卷积颜色恒常性技术（C5），可以在训练时使用多个相机的照片成功地从新相机采集的原始图像中准确地估计场景的光照颜色，实现自动白平衡。C5 是卷积颜色常数（CCC）方法的超网络扩展，通过感知输入内容动态地调整 CCC 权重，利用未标记 - ICML拉普拉斯正则化少样本学习
本文提出了一种基于拉普拉斯正则化的推导式推理方法，用于 few-shot 任务中的图聚类，以支持来自支持集的监督性约束。实验结果表明，在五个 few-shot 学习基准测试中，LaplacianShot 方法具有显著优于现有方法的性能表现。
- 元学习在小样本学习中的置信度
论文提出了一种用于 few-shot 学习中元学习置信度和距离度量的方法，以提高模型在未见任务上的传导推理性能，并在四个基准数据集上获得了最新的最优结果。
- Few-shot 分类的交叉注意力网络
本文提出了一种新颖的跨注意力网络，以解决少样本分类中的挑战性问题。该网络包含交叉注意力模块来处理未知类的问题，引入传导推理算法来缓解数据量不足的问题，并在两个基准测试上展示优于现有方法的表现。
- 少样本学习的归纳式分集自适应度量
本文提出了一种 Transductive Episodic-wise Adaptive Metric (TEAM) 框架来解决 few-shot 学习中，如何通过集成元学习范式以及深度指标学习和传导推理来学习具有自适应度量能力的分类器。通过 - CVPR基于边标记的图神经网络用于少样本学习
本文提出了一种新的边缘标记图神经网络（EGNN），在这种网络中，改进了少样本学习和显式聚类，通过直接利用内部聚集相似性和集群间不相似性的迭代边缘标记更新，我们学习预测边缘标签，而不是节点标签，使训练后的模型能够解决各种数量的类别问题，并能很 - ICLR学习传播标签：一种用于少样本学习的转导传播网络
本文提出了一种新的元学习方法 —— 传导传播网络（TPN），用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法，并在多个基准数据集上验证了其表现，结果表明 TPN 在有标签数量较