Low Emission Building Control with Zero-Shot Reinforcement Learning
建筑物中的加热和冷却系统占全球能源使用量的31%，其中大部分由基于规则的控制器（RBC）进行调节，这些控制器既不能通过与电网的最佳交互来最大限度地提高能源效率，也不能最大限度地减少排放。通过强化学习（RL）进行控制已被证明可以显著提高建筑物的能源效率，但现有的解决方案需要访问特定于建筑物的模拟器或数据，而这并不适用于世界上的每一座建筑。作为回应，我们表明，在没有这种先验知识的情况下获得减排政策是可能的-我们称之为zero-shot建筑控制的范例。我们结合了系统辨识和基于模型的强化学习的思想，创建了PEARL（概率排放减少强化学习），并表明建立一个高性能的模型所需的只是一个短时间的积极探索。在三种不同的建筑能源模拟实验中，我们发现PEARL的表现优于现有的RBC一次，在所有情况下，流行的RL基线，减少建筑物的排放量高达31%，同时保持热舒适性。我们的源代码可以通过https://enjeeneer.io/projects/pearl在线获得。
2022-08-15 cs.LG cs.SY eess.SY
Semi-Supervised and Active Few-Shot Learning with Prototypical Networks
The Curious AI Company（好奇人工智能公司）
我们考虑半监督的Few-Shot分类问题，其中分类器需要使用几个标记的示例和（可能是许多）未标记的示例来适应新的任务。我们提出了一个聚类的方法来解决这个问题。使用原型网络提取的特征使用$K$ -均值进行聚类，并使用少数标记示例指导聚类过程。我们注意到，在许多实际应用中，通过用户反馈请求少量标签，可以显著提高自适应性能。我们展示了良好的性能，使用图像数据的主动适应策略。
2018-04-25 cs.LG stat.ML
Active Few-Shot Fine-Tuning
ETH Zurich（苏黎世联邦理工学院）
该研究提出主动微调这一直推式主动学习新场景，设计了基于信息的自适应采样方法ITL，证明其收敛性并验证其在大模型少样本微调中比现有方法所需样本更少。
2024-06-21 cs.AI cs.LG
Single Shot Active Learning using Pseudo Annotators
Delft University of Technology（代尔夫特理工大学）
标准的近视主动学习假设每当选择新样本时总是可以获得人类注释。然而，这在许多现实世界的应用中是不现实的，因为人类专家并不是随时都可用。在本文中，我们考虑了Single Shot设置：所有需要的样本应该在Single Shot中选择，并且在选择过程中不能利用人类注释。我们提出了一种新的方法，主动学习通过随机标记（ALRL），它取代了多个，我们将称为，伪注释单个人类注释。每当查询新的未标记样本时，这些伪注释器总是提供统一和随机的标签。这种随机标记使标准主动学习算法也能够表现出Single Shot主动学习所需的探索行为。通过最小化未标记样本和查询样本之间的最近邻距离来选择最具代表性的样本，进一步增强了探索性行为。在真实数据集上的实验表明，该方法优于几种最先进的方法。
2018-05-17 cs.CV cs.LG stat.ML
Neuron-Aware Active Few-Shot Learning for LLMs
University of Pittsburgh, USA（匹兹堡大学）
提出NeuFS框架，利用神经元激活模式从模型内部动态选择最具价值的少样本示例，提升大语言模型在专业领域的适应性和性能。
2026-07-03 cs.AI cs.LG
LAUD: Integrating Large Language Models with Active Learning for Unlabeled Data
CMoney Technology Corporation（CMoney技术公司）
针对真实场景下标注数据不足导致大语言模型微调受限、提示方法低效的问题，提出集成大语言模型与主动学习的LAUD框架，通过零样本学习构建初始标签集缓解冷启动，在商品名称分类任务上性能优于零样本、少样本学习基线。
2025-11-18 cs.LG
Active perception and disentangled representations allow continual, episodic zero and few-shot learning
Cerenaut AI
本文提出一种互补学习系统，通过主动感知与解耦表示实现持续、零样本和少样本学习，无需依赖泛化能力。
2026-02-22 cs.AI cs.LG
GALOT: Generative Active Learning via Optimizable Zero-shot Text-to-image Generation
University of Connecticut（康涅狄格大学）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出GALOT框架，通过优化零样本文本到图像生成的文本输入，结合主动学习准则生成信息丰富的合成数据集，降低标注成本并显著提升模型训练效率与性能。
2024-12-18 cs.CV cs.LG
Learning to Learn for Few-shot Continual Active Learning
Deakin University（迪肯大学）；The University of Melbourne（墨尔本大学）；Qilu University of Technology（齐鲁工业大学）
针对标注数据不足且预算有限的少样本持续主动学习问题，提出Meta-Continual Active Learning方法，结合元学习、经验回放与文本增强解决灾难性遗忘并确保泛化能力。
2024-05-31 cs.CL cs.LG
Few-Shot Continual Active Learning by a Robot
University of Waterloo（滑铁卢大学）；Capital One（第一资本金融公司）
在本文中，我们考虑了一个具有挑战性的，但现实的持续学习（CL）问题，Few-Shot连续主动学习（FoCAL），其中CL代理提供了一个新的或以前学习的任务，在每个增量和代理只有有限的标签预算可用的未标记的数据。为此，我们建立在持续学习和主动学习文献，并开发了一个框架，可以让CL代理不断学习新的对象类从几个标记的训练样本。我们的框架表示每个对象类使用均匀高斯混合模型（GMM），并使用伪排练，以减轻灾难性遗忘。该框架还对先前学习的类的高斯表示使用不确定性度量，以找到要在增量中标记的信息量最大的样本。我们评估我们的方法对CORe-50数据集和一个真正的人形机器人的对象分类任务。结果表明，我们的方法不仅在数据集上产生了最先进的结果，而且还允许真实的机器人在用户提供有限的标签监督的情况下，在真实环境中不断学习看不见的对象。
2022-10-12 cs.CV cs.LG cs.RO
Experimental Design for Overparameterized Learning with Application to Single Shot Deep Active Learning
Tel Aviv University（特拉维夫大学）
现代机器学习模型所表现出的令人印象深刻的性能取决于在非常大量的标记数据上训练这些模型的能力。然而，由于对大量标记数据的访问通常是有限的或昂贵的，因此希望通过仔细管理训练集来缓解这一瓶颈。最优实验设计是一种行之有效的范例，用于选择要标记的数据点，以便最大限度地告知学习过程。不幸的是，关于最佳实验设计的经典理论侧重于选择示例以学习参数化不足（因此是非插值）的模型，而现代机器学习模型（例如深度神经网络）是过度参数化的，并且经常被训练为插值的。因此，经典的实验设计方法不适用于许多现代学习设置。事实上，欠参数化模型的预测性能往往是方差主导的，所以经典的实验设计侧重于方差减少，而过参数化模型的预测性能也可以，如本文所示，偏差主导或混合性质。在本文中，我们提出了一种非常适合过参数化回归和插值的设计策略，并通过提出一种新的Single Shot深度主动学习算法来证明我们的方法在深度学习背景下的适用性。
2021-04-25 cs.LG stat.ML
Active Few-Shot Learning for Vertex Classification Starting from an Unlabeled Dataset
Ulm University（乌尔姆大学）
针对无类别预言机时的顶点分类问题，本文提出迭代提示标注的主动少样本学习方法，结合原型网络与k-medoids聚类逐步放宽假设，发现在少样本下原型网络性能优于判别模型且对假设放宽更具鲁棒性。
2025-04-25 cs.LG
Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
New York University（纽约大学）；University of Calgary（卡尔加里大学）；Qualcomm Technologies, Inc.（高通技术公司）
次优综合变换序列的生成是逻辑综合中的一个重要问题。手工制作的合成配方质量很差。现有技术水平的机器学习（ML）用于生成合成配方，但不会扩展到大型网表，因为模型需要从头开始训练，为此使用耗时的合成运行来收集训练数据。我们提出了一种新的方法，靶心，微调过去的合成数据的预训练模型，以准确地预测一个看不见的网表的合成配方的质量。这种方法比最先进的机器学习方法实现了2 - 10倍的运行时间改进和更好的结果质量（QoR）。
2022-04-05 cs.AI cs.AR cs.LG
Active Class Selection for Few-Shot Class-Incremental Learning
Pennsylvania State University（宾夕法尼亚州立大学）；University of Waterloo（滑铁卢大学）
本文提出FIASco框架，将少样本类增量学习与主动类别选择相结合，并集成势场导航，使机器人能自主选择并标注环境中最具信息量的对象进行持续学习，在模拟和真实机器人上验证了其有效性。
2023-07-05 cs.CV cs.LG cs.RO
Informed Initialization for Bayesian Optimization and Active Learning
Meta
HIPE是一种基于信息的初始化策略，通过平衡预测不确定性减少与超参数学习，提升贝叶斯优化和主动学习的性能。
2025-12-13 cs.LG
Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements
Department of Applied Chemistry, Kobe City College of Technology, Japan（大阪市立技术学院应用化学系，日本）
本文提出AS-SQD算法，通过主动学习方法在有限次测量中高效恢复基态能量，克服传统量子对角化在有限样本和激发态污染下的偏差问题。
2026-03-13 cs.LG quant-ph
Low-Shot Validation: Active Importance Sampling for Estimating Classifier Performance on Rare Categories
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；Google（谷歌）；Argo AI
对于用有限的标记训练数据训练的机器学习模型，验证将成为降低整体注释成本的主要瓶颈。我们提出了一种统计验证算法，可以准确估计稀有类别的二进制分类器的F分数，其中找到相关的例子进行评估是特别具有挑战性的。我们的关键见解是，即使在低样本状态（< 300个样本）下，同步校准和重要性采样也能实现准确的估计。重要的是，我们还推导出了我们方法方差的准确单次试验估计量，并证明了该估计量在低样本数下凭经验是准确的，使从业者能够知道他们可以信任给定的低样本估计值。在ImageNet和iNaturalist 2017上验证最先进的半监督模型时，我们的方法实现了相同的模型性能估计，标签数量比竞争方法少10倍。特别是，我们可以使用少至100个标签来估计方差为0.005的模型F1得分。
2021-09-13 cs.CV cs.LG
Zero-Shot Active Feature Acquisition via LLM-Elicitation
Faculty of EE, Technion（技术学院电子工程系）；Faculty of Medicine, Technion（技术学院医学院）；CytoReason；NVIDIA
提出通过LLM启发式获取马尔可夫随机场充分统计量的零样本主动特征获取框架，解决数据标注不足问题，在IBD患者诊断中优于现有方法。
2026-06-19 cs.IR cs.LG stat.ME
PromptAL: Sample-Aware Dynamic Soft Prompts for Few-Shot Active Learning
School of Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全学院，北京邮电大学）；Key Laboratory of Trustworthy Distributed Computing and Service (BUPT), Ministry of Education（可信分布式计算与服务重点实验室（北京邮电大学））；QI-ANXIN Group（QI-ANXIN集团）；RapidAI Research（RapidAI研究院）；ZGC Lab（ZGC实验室）
针对少样本主动学习中经验分布偏离目标分布的问题，提出PromptAL框架，利用未标注数据构建样本感知动态软提示优化决策边界，并结合不确定性与全局局部多样性选择高质量样本，在多个数据集上优于九个基线。
2025-07-22 cs.CL cs.LG
AQKA: Active Quantum Kernel Acquisition Under a Shot Budget
RIKEN iTHEMS（日本理化学研究院iTHEMS研究中心）；RIKEN AIP（日本理化学研究院Advanced Institute for Physics）；South China University of Technology（华南理工大学）；Columbia University（哥伦比亚大学）
本文提出AQKA方法，通过分解射频预算区域，优化量子核学习中的射频分配，提升稀疏敏感KRR和SVM性能，同时在量子硬件上实现多种子在线自适应射频分配。
2026-07-21 cs.LG
ALPET: Active Few-shot Learning for Citation Worthiness Detection in Low-Resource Wikipedia Languages
本文提出ALPET框架，结合主动学习与模式利用训练，在加泰罗尼亚语、巴斯克语和阿尔巴尼亚语维基百科上以更少标注样本超越CCW基线，显著提升低资源语言的引文必要性检测性能。
2025-02-05 cs.AI cs.CL cs.LG
Experimental Design for Active Transductive Inference in Large Language Models
UW-Madison（威斯康星大学麦迪逊分校）；AWS AI Labs（亚马逊云科技人工智能实验室）
本研究提出主动学习框架 AIPD，通过自适应选择少样本示例优化大型语言模型推断性能，并设计 GO 和 SAL 两种算法，在多种规模模型的实验中均优于其他示例选择方法。
2024-05-31 cs.CL cs.LG
On-the-Fly OVD Adaptation with FLAME: Few-shot Localization via Active Marginal-Samples Exploration
Google Research（谷歌研究）
本文提出FLAME主动学习策略，通过密度估计与聚类即时选择边际样本，结合预训练OVD模型与轻量级少样本分类器，实现遥感领域的高效少样本目标检测适配。
2025-10-30 cs.AI cs.IR cs.LG
Active Quantum Kernel Acquisition for Gaussian Process Regression
RIKEN iTHEMS（日本理化学研究所iTHEMS）；RIKEN AIP（日本理化学研究所Advanced Institute for Photonics and Electron Devices）；South China University of Technology（华南理工大学）
针对量子核估计的有限预算问题，提出基于下游任务敏感性的非均匀分配策略，通过三种闭合灵敏度公式指导Neyman分配，并加入均匀覆盖下限防止过集中，在UCI基准和量子核上实现10-21%的测试RMSE改进。
2026-07-08 cs.LG
A Meta-Learning Approach to One-Step Active Learning
Sorbonne Universites, UPMC Univ Paris 06（索邦大学，巴黎第六大学）；Ecole Centrale Marseille（马赛中央理工学院）；Aix-Marseille Univ.（艾克斯-马赛大学）
我们认为，当获得训练标签时，学习的问题是昂贵的，这通常是在文献中使用主动学习技术解决的。这些方法提供了在训练之前或训练期间选择要标记的示例的策略。这些策略通常是基于数学甚至理论的措施，但没有学习，因为它们是直接在培训中使用。我们设计了一个模型，其目的是在\textit{learning active-learning strategies}使用元学习设置。更具体地说，我们考虑基于池的设置，其中系统观察问题的数据集的所有示例，并且必须选择示例的子集以在Single Shot中进行标记。实验结果令人鼓舞。
2017-07-17 cs.LG
Enhancing Graph Neural Networks with Limited Labeled Data by Actively Distilling Knowledge from Large Language Models
Pennsylvania State University（宾夕法尼亚州立大学）；Wright State University（莱特州立大学）
本文提出一种结合大型语言模型零样本推理能力与图神经网络的Graph-LLM主动学习范式，在标注数据极少时显著提升节点分类性能并超越现有基线。
2024-09-04 cs.AI cs.LG
Robust Active Learning for Few-Shot Example Selection in Text-to-SQL
NVIDIA
针对文本到SQL中少样本示例选择，提出一种鲁棒主动学习方法，通过分层贪婪算法最大化异方差互信息目标，在嵌入流形上实现常数因子近似保证，显著减少标注成本。
2026-09-29 cs.DB cs.LG stat.ML
Minimum-Margin Active Learning
Google Research（谷歌研究院）
我们提出了一种新的主动采样方法，我们称之为min-margin，它在bootstrap样本上训练多个学习器，然后根据候选者的最小margin在bootstrap模型中选择要标记的示例。这扩展了标准保证金采样的方式，增加其多样性的监督方式，因为它来自模型的不确定性。我们专注于一次性批量主动学习设置，并在理论上和广泛的问题，最小利润率优于其他方法，特别是随着批量大小的增长，通过广泛的实验。
2019-05-31 cs.AI cs.LG stat.ML
Reflect then Learn: Active Prompting for Information Extraction Guided by Introspective Confusion
NUAA-MMMI（南京航空航天大学- MMMI）
本文提出APIE框架，通过反思困惑度评估，主动选择具有挑战性和信息量的样本，提升信息提取的准确性和鲁棒性。
2026-05-12 cs.AI cs.CL cs.IR
Demystification of Few-shot and One-shot Learning
University of Leicester（莱斯特大学）；Norwegian University of Science and Technology（挪威科技大学）；Saint-Petersburg State Electrotechnical University（圣彼得堡国立电工大学）；Lobachevsky University（罗巴切夫斯基大学）
本文针对经典统计学习理论难以解释少样本与单样本学习的问题，基于高维空间内在性质建立数学理论，给出此类学习在数据非集中条件下能够成功的条件。
2021-05-29 cs.AI cs.LG math.ST
Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
我们建议研究图神经网络（GNNs）中的Few Shot图分类问题，以识别未见过的类，给出有限的标记图示例。尽管最近提出了几种有趣的GNN变体用于节点和图分类任务，但当面对Few Shot设置中的稀缺标记示例时，这些GNN在分类性能上表现出显着的损失。在这里，我们提出了一种方法，其中的概率测度分配给每个图的基础上的频谱的图形归一化拉普拉斯算子。这使我们能够相应地将与每个图相关联的图基标签聚类到超类中，其中Lp Wasserstein距离作为我们的底层距离度量。随后，基于超类构建的超级图被馈送到我们提出的GNN框架中，该框架利用超级图明确的潜在类间关系来实现图之间更好的类标签分离。我们对我们提出的方法进行了详尽的实证评估，结果表明，它优于最先进的图分类方法对Few Shot场景的适应和我们的朴素基线GNN。此外，我们还扩展和研究我们的方法的行为，半监督和主动学习的情况。
2020-02-27 cs.LG stat.ML
Active Data Acquisition with Side Information via Discrete Diffusion Priors
Oregon State University（俄勒冈州立大学）
提出基于离散扩散先验的信息论主动采集框架，利用辅助信息优化掩码以最大化互信息，在MNIST、CIFAR-10和fastMRI上显著优于随机及现有方法。
2026-09-29 cs.LG eess.IV
One-Class Meta-Learning: Towards Generalizable Few-Shot Open-Set Classification
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
现实世界的分类任务经常需要在开放集设置中工作。这对于少样本学习问题尤其具有挑战性，因为每个已知类别的样本量都很小，这使得现有的开集方法无法有效地工作;然而，大多数多类Few-Shot方法仅限于闭集场景。在这项工作中，我们解决了问题的Few-Shot开集分类首先提出的方法为Few-Shot一类分类，然后将其扩展到Few-Shot多类开集分类。我们介绍了两个独立的Few-Shot单类分类方法：Meta Binary Cross-Entropy（Meta-BCE），它学习一个单独的特征表示单类分类，单类元学习（OCML），它学习生成单类分类器给定标准的多类特征表示。这两种方法都可以增强任何现有的少样本学习方法，而不需要重新训练以在Few-Shot多类开集设置中工作，而不会降低其闭集性能。我们在不同的问题设置中展示了这两种方法的优点和缺点，并在三个标准的基准数据集miniImageNet，tieredImageNet和Caltech-UCSD-Birds-200-2011上对其进行了评估，在这些数据集上，它们在Few-Shot多类开集和Few-Shot一类任务中超越了最先进的方法。
2021-09-14 cs.CV cs.LG
One-shot Learning with Absolute Generalization
Beijing Institute of Technology（北京理工大学）
提出了一次学习，使一个预先训练的分类器在一个新的数据集上工作的基础上，从每个模式的一个标记的样本。然而，很少有研究人员考虑数据集本身是否支持一次性学习。在本文中，我们提出了一组定义来解释什么样的数据集可以支持一次性学习，并提出了“绝对泛化”的概念。基于这些定义，我们提出了一种方法来建立一个绝对可推广的分类器。该方法将两个样本拼接成一个新的样本，并将分类问题转化为身份识别问题或相似性度量问题。实验结果表明，该方法在单次学习数据集和人工数据集上的性能优于基线。
2021-05-28 cs.CV cs.LG
MetaLearnNCA: Few-Shot Offline Meta-Learning via Interacting Neural Cellular Automata
Department of Computer Science and Communication（计算机科学与通信系）
提出MetaLearnNCA，利用交互式神经细胞自动机实现无梯度的少样本元学习，在保持分布内性能的同时提升分布外迁移效果。
2026-10-07 cs.AI cs.LG
Few-shot Class-incremental Learning for Classification and Object Detection: A Survey
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）；University of Oulu（奥卢大学）
本文系统综述 FSCIL，梳理其问题定义、核心挑战、通用方案、数据集与指标，并分类总结 FSCIC 和 FSCIOD 方法及未来方向。
2025-01-09 cs.AI cs.LG
One-Shot Pruning of Recurrent Neural Networks by Jacobian Spectrum Evaluation
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
稀疏神经网络文献中的最新进展使得仅用少量数据就可以修剪许多大型前馈和卷积网络。然而，这些相同的技术往往动摇时，应用于恢复稀疏递归网络的问题。这些故障是定量的：当使用最近的技术修剪时，RNN通常获得比在简单随机修剪方案下更差的性能。失败也是定性的：修剪的LSTM或GRU网络中的活动权重的分布往往集中在特定的神经元“与”门中，而不是很好地分散在整个架构中。我们试图纠正定量和定性问题与经常性网络修剪引入一个新的经常性修剪目标来自经常性雅可比矩阵的频谱。我们的目标是数据高效（只需要64个数据点来修剪网络），易于实现，并产生95%的稀疏GRU，显着改善现有的基线。我们评估顺序MNIST，十亿字，和Wikitext。
2019-11-30 cs.LG stat.ML
One-Shot General Object Localization
Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）
本文提出了一种通用的单次目标定位算法OneLoc。当前的一次性目标定位或检测方法要么依赖于缓慢的穷举特征匹配过程，要么缺乏推广到新目标的能力。相比之下，我们提出的OneLoc算法通过特殊的投票方案有效地找到对象中心和限界框大小。为了保持我们的方法的尺度不变，只有单位中心偏移方向和相对大小的估计。提出了一种新的密集均衡投票模块，以更好地定位小的无纹理的对象。实验结果表明，该方法在OnePose和LINEMOD两个数据集上均取得了较好的整体性能。此外，我们的方法还可以实现一次性多实例检测和非刚性目标定位。代码库：https://github.com/qq456cvb/OneLoc。
2022-11-24 cs.CV cs.LG
Learning feed-forward one-shot learners
University of Oxford（牛津大学）
单次学习通常通过使用生成模型或判别嵌入来解决。基于深度学习的判别方法在其他学习场景中非常有效，但不适合一次性学习，因为它们需要大量的训练数据。在本文中，我们提出了一种一次性学习深度模型参数的方法。我们将学习器构建为第二个深度网络，称为learnet，它可以从单个样本中预测瞳孔网络的参数。以这种方式，我们获得了一个有效的前馈单次学习，训练端到端通过最小化一个单次分类目标的学习学习公式。为了使建设可行，我们提出了一些因子分解的瞳孔网络的参数。我们展示了令人鼓舞的结果，通过学习字符从Omniglot的单个样本，并通过跟踪视觉对象跟踪基准从一个单一的初始样本。
2016-06-16 cs.CV cs.LG
ALLSH: Active Learning Guided by Local Sensitivity and Hardness
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Azure AI（微软Azure人工智能）
主动学习有效地收集信息丰富的未标记数据进行注释，减少了对标记数据的需求。在这项工作中，我们建议检索未标记的样本与本地灵敏度和硬度感知采集功能。所提出的方法通过局部扰动生成数据副本，并选择预测似然性与其副本偏离最大的数据点。我们通过注入选择最坏情况扰动来进一步增强我们的采集功能。我们的方法实现了一致的收益超过常用的主动学习策略在各种分类任务。此外，我们观察到一致的改进，在基于样本的少样本学习的即时选择的研究基线。这些实验表明，我们的收购指导的本地敏感性和硬度可以有效和有益的许多NLP任务。
2022-09-23 cs.AI cs.CL cs.LG
Generative One-Shot Learning (GOL): A Semi-Parametric Approach to One-Shot Learning in Autonomous Vision
Elektrobit Automotive（Elektrobit汽车公司）；Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）
高度自动驾驶（HAD）系统依赖于深度神经网络来实现驾驶环境的视觉感知。这种网络是在大型手动注释数据库上训练的。在这项工作中，提出了一种单次学习的半参数方法，目的是绕过自动驾驶中训练感知系统所需的手动注释步骤。所提出的生成框架称为生成单次学习（GOL），它将单个单次对象或通用模式作为输入，并使用一小部分所谓的正则化样本来驱动生成过程。新的合成数据生成为Pareto最优解从单次对象使用一组泛化功能内置到泛化生成器。GOL已经在自主视觉中遇到的环境感知挑战上进行了评估。
2018-12-19 cs.CV cs.LG cs.RO
CAOS: Conformal Aggregation of One-Shot Predictors
Department of Statistics, University of Wisconsin-Madison, USA（统计学系，威斯康星大学麦迪逊分校）
CAOS通过自适应聚合多个一次性预测器，利用留一校准方案实现有效覆盖，比传统方法在预测集大小上更小且保持可靠覆盖。
2026-01-30 cs.AI cs.LG stat.ML
Empirical Perspectives on One-Shot Semi-supervised Learning
US Naval Research Laboratory（美国海军研究实验室）
在新应用中采用深度神经网络的最大障碍之一是，训练网络通常需要大量手动标记的训练样本。我们根据经验研究了这样一种场景，其中可以访问大量未标记的数据，但只需要标记每个类的单个原型样本，以便训练深度网络（即，一次性半监督学习）。具体来说，我们调查了FixMatch中报道的一次性半监督学习的最新结果，以了解影响和阻碍Cifar-10一次性半监督学习的高准确性和可靠性的因素。例如，我们发现，一次半监督学习的高性能图像分类的一个障碍是在训练过程中的类精度的不均匀性。这些结果指出了解决方案，可以使一次性半监督训练方法在新应用中得到更广泛的采用。
2020-04-08 cs.CV cs.LG stat.ML
One-shot and few-shot learning of word embeddings
Stanford University（斯坦福大学）
标准的深度学习系统需要数千或数百万个示例来学习一个概念，并且无法轻松集成新概念。相比之下，人类有一种不可思议的能力，可以进行一次性或少样本学习。例如，仅仅从一个句子中听到一个单词，人类就可以通过利用周围单词的语法和语义来推断出很多关于它的信息。在这里，我们从中汲取灵感，强调一种简单的技术，通过这种技术，深度递归网络可以类似地利用它们的先验知识，从少量数据中学习一个新单词的有用表示。这可以使自然语言处理系统更加灵活，允许它们从遇到的新词中不断学习。
2018-01-02 cs.CL cs.LG stat.ML
A Relational Model for One-Shot Classification
Aalto University（阿尔托大学）
我们发现，具有内置关系归纳偏差的深度学习模型可以为样本有效学习带来好处，而不依赖于广泛的数据增强。所提出的一次分类模型执行本地和成对注意力形式的一对输入的关系匹配。我们的方法完美地解决了一次性图像分类Omniglot的挑战。我们的模型超过了人类水平的准确性，以及以前的最先进的，没有数据增强。
2021-11-08 cs.AI cs.CV cs.LG
A transductive few-shot learning approach for classification of digital histopathological slides from liver cancer
Inria（法国国家信息与自动化研究所）；AP-HP（巴黎公共医疗集团）；INSERM U1193（法国国家健康与医学研究院U1193研究所）
针对组织病理标注数据不足的问题，提出基于转导学习的小样本分类方法，通过滑动窗口联合预测与类别数惩罚优化，在肝癌切片分类中取得有效结果，可降低标注成本并辅助癌症诊疗。
2024-03-11 cs.LG eess.IV q-bio.TO
JARVix at SemEval-2022 Task 2: It Takes One to Know One? Idiomaticity Detection using Zero and One-Shot Learning
Georgia Institute of Technology（佐治亚理工学院）
大语言模型通过捕获文本表示的组合性，在各种各样的自然语言处理任务中取得了成功。尽管它们取得了巨大的成功，但这些向量表示未能捕捉到惯用多词表达（MWE）的含义。在本文中，我们专注于使用二进制分类的成语检测。我们使用的数据集组成的字面和习惯用法的MWE在英语和葡萄牙语。之后，我们在两种不同的设置下进行分类：zero shot和one shot，以确定给定的句子是否包含成语。该任务的N个镜头分类由训练集和测试集之间的N个常见习惯用法定义。在本文中，我们在这两种设置中训练多个大语言模型，并在zero shot设置中实现了0.73的F1得分（宏），在one shot设置中实现了0.85的F1得分（宏）。我们工作的实现可以在https://github.com/ashwinpathak20/Idiomaticity_Detection_Using_Few_Shot_Learning上找到。
2022-06-23 cs.AI cs.CL cs.LG
