- 对基于归纳图神经网络的链接窃取攻击
通过针对归纳式图神经网络进行系统隐私分析，本文填补了以往对于归纳式图神经网络的全面隐私分析的空白，并通过对链接窃取攻击的分析，提出了后验攻击和组合攻击两种类型的攻击，发现归纳式图神经网络泄漏大量信息，使得攻击即使在没有关于图结构的先验知识的 - 超越传统：知识图谱中归纳、少样本和零样本链接预测调查
知识图谱在不同语义含义的实体之间建立联系。针对知识图谱中丢失的实体信息，研究主要集中在链接预测。本文对现有工作进行系统性回顾，发现了术语和任务定义的多样性，限制了最新工作之间的比较。因此，本文旨在深入剖析每个设置并提出统一的命名方式。
- 自适应分数的传感式一致推断
条件推断是一种基本且多用途的工具，为许多机器学习任务提供无分布保证。我们考虑转导设置，在该设置中，根据 $m$ 个新点的测试样本做出决策，产生 $m$ 个整合 p 值。我们表明它们的联合分布遵循一个 Pólya 陶壶模型，并为它们的经验分布 - CVPR暗中开火：无基准类标签的小样本学习
通过实验，本研究发现自监督学习在小类别图像识别中的迁移性、鲁棒性、效率及可补充性都超过了传统的少样本学习方法，并以 3.9% 的准确度优势取得了成功，因此需要更深入地研究自监督学习在少样本学习中的作用。
- ICLR基于经验贝叶斯的合成梯度传递元学习
通过元学习方法在转导式环境中学习多个任务，通过使用未标记的查询集合生成更强大的模型来解决多任务学习中的问题，并提出了一种合成梯度网络和初始化网络组成的新型变分推理方法，优于以前的方法，并进一步探索了合成梯度的潜力。
- ECCV少样本学习的原型校正
本文提出一种简单而有效的在转导设置中原型修正方法，利用标签传播减少内类偏差和特征转移减少交叉类偏差，理论分析证明了其合理性及其性能的下限，并在三个少样本基准测试中表明了其有效性。
- 零样本学习有效深度嵌入
本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入 - 零样本和少样本动作识别的生成式方法
本文提出了一种零样本动作识别的生成性框架，该框架基于建模每个动作类，使用代表该动作类的属性向量的概率分布的参数的函数。特别地，我们假设视觉空间中任何动作类的分布参数都可以表示为一组基向量的线性组合，其中组合权重由动作类的属性给出。这篇文章的 - 对抗环境学习的高效算法
该论文提出了用于对抗环境下上下文相关强化学习问题的第一种 Oracle 有效的亚线性后悔算法，分析了两个场景，其中一个是传递式场景，另一个是小分离器设置
- 使用未标记数据最优地组合分类器
该研究开发了一种针对二进制分类的分类器集成的最坏情况分析方法，通过一种叫做极小极大解的方法可以找出在一个已知的未标记数据集上，一个加权组合的分类器可以比任何单个分类器的表现要好得多。
- 使用 Bagging SVM 从正样本和未标记样本中学习
我们研究了从标记为正例和未标记样本的训练集中学习二元分类器的问题，提出了一种袋装方法来应对这个问题，并在模拟和实际数据上进行了实证表明。