Extended Few-Shot Learning: Exploiting Existing Resources for Novel Tasks
Brown University（布朗大学）；Isfahan University of Tech.（伊斯法罕理工大学）
在许多实际的少样本学习问题中，即使标记的例子很少，也有丰富的辅助数据集可能包含有用的信息。我们提出了扩展少样本学习的问题来研究这些场景。然后，我们介绍了一个框架，以解决有效地选择和有效地使用辅助数据在Few-Shot图像分类的挑战。给定一个大的辅助数据集和类之间语义相似性的概念，我们自动选择伪镜头，这些镜头是与目标任务相关的其他类的标记示例。我们表明，天真的方法，如（1）建模这些额外的例子与目标任务的例子相同，或（2）使用它们来学习功能通过迁移学习，只增加了适量的准确性。相反，我们提出了一个掩蔽模块，调整辅助数据的特征，使其与目标类的特征更相似。我们发现，这个掩蔽模块的表现比单纯地对支持示例和迁移学习建模分别好4.68和6.03个百分点。
2021-07-03 cs.CV cs.LG stat.ML
Episodic-free Task Selection for Few-shot Learning
Chengdu Techman Software Co., Ltd.（成都智明软件有限公司）
针对少样本学习中情节训练策略表现不及部分非情节策略的问题，提出基于亲和度选择无情节训练任务的元训练框架，实验验证了其有效性。
2024-01-31 cs.AI cs.LG
Instance Selection Mechanisms for Human-in-the-Loop Systems in Few-Shot Learning
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
业务分析和机器学习已成为各个行业的重要成功因素-但其缺点是收集和标记数据的成本高昂。少样本学习解决了这一挑战，并通过学习具有很少标记数据的新类来降低数据收集和标记成本。在本文中，我们设计了一个人在回路（HITL）系统的少样本学习，并分析了广泛的机制，可用于获取人类的专家知识的情况下，有一个不确定的预测结果。我们发现，人类专家知识的获取显着加快了Few-Shot模型的性能，给出了一个可以忽略不计的标签工作。我们在计算机视觉和真实世界数据集的基准数据集上进行了各种实验，验证了我们的发现。我们进一步证明了少样本学习的HITL系统的成本效益。总的来说，我们的工作旨在支持研究人员和从业者以更低的成本有效地将机器学习模型适应新的类别。
2022-07-14 cs.LG
Transfer Language Selection for Zero-Shot Cross-Lingual Abusive Language Detection
我们研究了自动辱骂性语言检测中迁移语言的选择问题。我们没有为每种语言准备数据集，而是展示了跨语言迁移学习对zero-shot滥用语言检测的有效性。通过这种方式，我们可以使用来自高资源语言的现有数据来为低资源语言构建更好的检测系统。我们的数据集来自三个语系的七种不同语言。我们使用几种语言相似性度量来测量语言之间的距离，特别是通过量化世界语言结构地图集。我们发现，语言相似性和分类器性能之间存在相关性。这一发现使我们能够选择一个最佳的迁移语言的zero shot滥用语言检测。
2022-06-02 cs.AI cs.CL cs.LG
Designing Informative Metrics for Few-Shot Example Selection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；New York University（纽约大学）
本文提出一种基于句法-语义复杂度的少样本示例选择方法，通过句子级和词级度量匹配测试句与示例，无需训练专用选择模型，在CoNLL2003少样本NER上为GPT-4带来5%的F1绝对提升，并在较小模型上取得高达28.85分的增益。
2024-07-30 cs.CL cs.LG
Boosted Zero-Shot Learning with Semantic Correlation Regularization
Zhejiang University（浙江大学）；Alibaba-Zhejiang University Joint Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）
本文将零样本学习（Zero-shot learning，ZRL）作为一个迁移学习问题进行研究，重点研究了ZRL的两个关键方面：模型有效性和模型自适应性。为了有效地建模，我们采用提升策略来学习一个zero-shot分类器从弱模型到强模型。为了适应知识转移，我们设计了一种语义相关正则化（SCR）方法来正则化提升模型，使其与类间语义相关性保持一致。将SCR嵌入到Boosting目标中，并使用自控样本选择来学习鲁棒性，我们提出了一个统一的框架，具有语义相关正则化的Boosted Zero-shot分类（BZ-SCR）。通过平衡SCR正则化的提升模型选择和自控样本选择，BZ-SCR能够捕获区分性和适应性特征到类的语义对齐，同时确保学习样本的可靠性和适应性。在两个数据集上的实验表明了BZ-SCR算法的优越性。
2017-07-25 cs.LG
From Random to Informed Data Selection: A Diversity-Based Approach to Optimize Human Annotation and Few-Shot Learning
Escola Politécnica, Universidade de São Paulo（圣保罗大学理工学院）；Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学校，巴黎综合理工学院）；Faculty of Economics, University of Porto（波尔图大学经济学院）；INESC TEC（葡萄牙系统工程与计算机技术研究所）
针对随机标注效率低且在不平衡数据中偏向多数类的问题，本文提出一种自动、知情且基于多样性的数据选择架构，以更少人工标注构建少样本数据集并提升模型性能。
2024-01-24 cs.AI cs.CL cs.LG
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
COBRA: COmBinatorial Retrieval Augmentation for Few-Shot Adaptation
University of Washington（华盛顿大学）
针对少样本自适应中检索样本冗余问题，提出基于组合互信息度量的COBRA方法，兼顾多样性与相似性，在LAION-2B上显著提升图像分类性能且开销可忽略。
2025-03-28 cs.LG
Relevant Entity Selection: Knowledge Graph Bootstrapping via Zero-Shot Analogical Pruning
Orange（Orange公司）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；LORIA（洛林计算机科学及其应用研究所）
针对通用知识图谱整合中的无关内容与可扩展性问题，提出零样本类比剪枝方法，从种子实体筛选相关邻域，并在 Wikidata 上验证其效果与泛化能力。
2023-08-16 cs.AI cs.LG
Does Few-Shot Learning Help LLM Performance in Code Synthesis?
University of California Los Angeles（加州大学洛杉矶分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Nvidia（英伟达）
本文系统研究代码生成提示词中的少样本示例选择问题，提出 CODEEXEMPLAR-FREE 与 CODEEXEMPLAR-BASED 两种方法，并在 HumanEval+ 上验证其可显著提升 CodeLlama 性能。
2024-12-03 cs.AI cs.CL cs.LG
Selective Zero-Shot Classification with Augmented Attributes
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；University of Sydney（悉尼大学）
在本文中，我们介绍了一个选择性的zero-shot分类问题：分类器如何避免作出可疑的预测？现有的基于属性的zero-shot分类方法在选择性分类场景中表现不佳。我们认为，不完整的人类定义的属性词汇表的性能不佳。我们提出了一个选择性的zero-shot分类的基础上，人类定义和自动发现的残留属性。该分类器的构造首先学习的定义和残留的属性联合。然后在定义的属性的子空间内进行预测。最后，预测的信心是衡量定义和残差属性。在几个基准测试上进行的实验表明，我们的分类器在风险覆盖权衡度量下产生了优于其他方法的性能。
2018-07-19 cs.CV
SelectNAdapt: Support Set Selection for Few-Shot Domain Adaptation
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；University of Surrey（萨里大学）
本文提出SelectNAdapt算法，通过自监督特征学习、逐类聚类和基于距离的评分函数，从目标域中精心选择支持集样本，以改进少样本领域自适应中随机选择支持集的不足，并在三个图像识别基准上验证了其有效性。
2023-08-09 cs.CV
Few-Medoids: An Embarrassingly Simple Coreset Selection Method for Few-Shot Knowledge Distillation
University of Bucharest（布加勒斯特大学）
研究少样本知识蒸馏中核心集选择问题，提出简单的few-medoids策略，即选最接近类质心的样本，经多数据集和模型对实验，该方法能超越随机及其他策略，可替代常用基线。
2026-07-08 cs.AI cs.CV cs.LG
MSplit LBI: Realizing Feature Selection and Dense Estimation Simultaneously in Few-shot and Zero-shot Learning
Peking University（北京大学）；Deepwise Inc.（深度智视公司）；Fudan University（复旦大学）；AITrics Inc.（AITrics公司）；Hong Kong University of Science and Technology（香港科技大学）
有效地学习两个空间/子空间之间的表示系数是学习一个好的嵌入模型的一个典型和通用的主题。为了解决这一问题，$L_{1}$正则化被广泛应用于特征选择和避免过拟合，然而$L_{1}$正则化中特征的稀疏估计可能导致训练数据的欠拟合。$L_{2}$正则化也经常使用，但它是一个有偏估计量。本文提出了特征由三个正交部分组成的思想，即\emph{namely}稀疏的强信号、稠密的弱信号和随机噪声，其中强信号和弱信号都对数据的拟合有贡献。为了便于这种新的分解，\emph{MSplit} LBI首次提出实现特征选择和密集估计同时进行。我们提供了理论和仿真验证，我们的方法超过$L_{1}$和$L_{2}$正则化，广泛的实验结果表明，我们的方法达到了最先进的性能在Few-Shot和零样本学习。
2018-06-12 cs.CV
Selecting task with optimal transport self-supervised learning for few-shot classification
China University of Petroleum (East China)（中国石油大学（华东））
Few-Shot分类器主要解决训练过程中样本数量较少的问题。由于样本的缺乏，研究者通常采用一组来自其他领域的训练任务来辅助目标任务，其中辅助任务和目标任务之间的分布通常是不同的。为了减少分布差距，已经提出了几种方法，例如数据增强和域对齐。然而，这些算法的一个共同缺点是它们在训练之前忽略了相似性任务选择。最根本的问题是将辅助任务推向目标任务。在本文中，我们提出了一种新的任务选择算法，命名为最佳传输任务选择（OTTS），通过选择相似的任务构建一个训练集的少样本学习。具体而言，OTTS通过计算最佳传输距离来度量任务相似性，并通过自监督策略完成模型训练。通过使用OTTS的选择任务，少样本学习的训练过程变得更加稳定和有效。其他提出的方法，包括数据增强和域对齐可以同时与OTTS一起使用。我们在各种数据集上进行了广泛的实验，包括MiniImageNet，CIFAR，CUB，Cars和Places，以评估OTTS的有效性。实验结果验证了我们的OTTS优于典型的基线，即，MAML、matchingnet、protonet的精度提高幅度较大（平均提高1.72%）。
2022-04-01 cs.AI cs.CV cs.LG
What Makes Good Few-shot Examples for Vision-Language Models?
Fudan University（复旦大学）；Bytedance（字节跳动）；Sensetime Technology（商汤科技）
本研究提出REPRE和高斯蒙特卡洛两种示例选择方法，优于随机和主动学习策略，显著提升视觉-语言模型少样本训练效果，且模型无关。
2024-05-22 cs.CV
Model Selection for Generalized Zero-shot Learning
The Australian National University（澳大利亚国立大学）；Data61/CSIRO（Data61/联邦科学与工业研究组织）
在广义零样本学习问题中，来自未知类的数据点在训练过程中不可用。广义零样本学习的主要挑战是不平衡的数据分布，这使得分类器很难区分给定的测试样本是否来自可见或不可见的类。然而，使用生成对抗网络（GAN）来生成辅助数据点的语义嵌入看不见的类，解决了上述问题。目前的方法结合辅助数据点和原始训练数据来训练广义零样本学习模型，并获得最先进的结果。受这些模型的启发，我们建议通过模型选择机制来提供生成的数据。具体来说，我们利用两个来源的数据点（观察和辅助）训练一些分类器，以识别哪些测试数据点来自可见的，哪些来自不可见的类。通过这种方式，广义零样本学习可以被划分为两个不相交的分类任务，从而减少不平衡数据分布的负面影响。我们对四个公开可用的广义零样本学习数据集的评估表明，我们的模型获得了最先进的结果。
2018-11-08 cs.CV
One-Shot Data Selection for Medical Image Classification via Graph Coverage
United Arab Emirates University（阿拉伯联合酋长国大学）；KU Leuven（鲁汶大学）
提出一种基于图的一次性数据选择方法，利用预训练编码器的k近邻图构建热扩散核，通过贪婪设施位置选择最大化数据流形覆盖的子集，在五个MedMNIST数据集上优于基线方法。
2026-06-23 cs.CV cs.LG
Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；LJK（朱尔·约瑟夫·李普曼实验室）；École normale supérieure（巴黎高等师范学院）；PSL Research Univ.（巴黎文理研究大学）
Few-Shot分类的流行方法包括首先基于大型注释数据集学习通用数据表示，然后在仅给出几个标记样本的情况下将表示适应新类别。在这项工作中，我们提出了一个新的策略的基础上特征选择，这是既简单又有效的比以前的特征适应方法。首先，我们通过训练一组语义不同的特征提取器来获得多域表示。然后，给定一个少样本学习任务，我们使用我们的多域特征库自动选择最相关的表示。我们证明，基于这些特征构建的简单非参数分类器具有很高的准确性，并推广到训练过程中从未见过的领域，从而在MetaDataset上获得了最先进的结果，并提高了mini-ImageNet的准确性。
2020-07-20 cs.CV
Informative Rays Selection for Few-Shot Neural Radiance Fields
University of Parma（帕尔马大学）；University of Bologna（博洛尼亚大学）；VisLab, an Ambarella Inc. company（VisLab，安霸公司旗下企业）
提出KeyNeRF，通过相机级视图选择与像素级熵采样挑选关键射线，实现少样本NeRF高效训练，性能优于现有方法且改动极小。
2023-12-29 cs.AI cs.CV cs.LG
Segment, Select, Correct: A Framework for Weakly-Supervised Referring Segmentation
Five AI Ltd.（Five AI有限公司）；University of Oxford（牛津大学）
提出一种弱监督指代分割框架，通过分割、选择、纠正三步，无需掩码标注，性能超越零样本基线16.5%，并将与全监督的差距从33%缩小至7%。
2024-08-20 cs.CV cs.LG
Exploring selective image matching methods for zero-shot and few-sample unsupervised domain adaptation of urban canopy prediction
The Alan Turing Institute（阿兰·图灵研究所）；University College London（伦敦大学学院）
本研究针对城市冠层预测的跨地理域适配问题，提出基于选择性图像对齐的无监督域自适应方法，在零样本和少样本微调场景下均优于基线与主流图像转换模型。
2024-04-16 cs.CV stat.AP
Select and Distill: Selective Dual-Teacher Knowledge Transfer for Continual Learning on Vision-Language Models
National Taiwan University（台湾大学）；NVIDIA（英伟达）
提出选择性双教师知识迁移框架，利用微调和原始VLM作为双教师，通过特征差异进行选择性蒸馏，缓解持续学习中的灾难性遗忘并保持零样本能力。
2024-07-17 cs.CV
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
Powering Finetuning in Few-Shot Learning: Domain-Agnostic Bias Reduction with Selected Sampling
Carnegie Mellon University（卡内基梅隆大学）
在最近的工作中，利用在元训练集上训练的深度网络作为少样本学习的强基线。在本文中，我们通过微调经过训练的深度网络来改进新类别特征。Finetuning旨在减少新类特征分布中的偏差，我们将其定义为两个方面：类不可知和类特定偏差。类无关偏差是指由域差异引起的分布偏移，我们提出了分布校正模块（DCM）来减少这种偏移。DCM具有良好的消除区域差异和优化过程中快速特征自适应的特性。类特异性偏差是指在新类中使用少量样本进行估计时的有偏估计，本文提出了选择采样（SS）方法来降低这种偏差。在不推断实际类别分布的情况下，SS是通过使用支持集样本周围的建议分布进行采样来设计的。通过使用DCM和SS进行微调，我们在Meta-Dataset上实现了最先进的结果，并在来自不同领域的十个数据集上实现了一致的性能提升。我们相信我们的简单而有效的方法证明了它的可能性，适用于实际的Few-Shot应用。
2022-06-02 cs.CV
A Simple Task-aware Contrastive Local Descriptor Selection Strategy for Few-shot Learning between inter class and intra class
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对少样本图像分类中现有局部描述符选择方法忽略背景特征任务价值的问题，提出TCDSNet，通过计算对比判别分数选择支持描述符子集，再自适应选查询描述符，在通用和细粒度数据集上性能超SOTA。
2024-08-12 cs.CV cs.MM
Unlocking Few-Shot Capabilities in LVLMs via Prompt Conditioning and Head Selection
Université Paris-Saclay, CNRS, ENS Paris-Saclay, Centre Borelli（巴黎萨克雷大学、国家科学研究中心、巴黎萨克雷高等师范学院、Borelli中心）；École Polytechnique, AMIAD（巴黎高等理工学院、AMIAD）；Institut Universitaire de France（法国高等科学研究院）
本文提出Head Ensemble Classifiers (HEC)通过提示条件和头部选择提升LVLMs在少样本和零样本分类中的性能，实现与CLIP基方法的性能平衡。
2026-03-25 cs.CV
Task-oriented Learnable Diffusion Timesteps for Universal Few-shot Learning of Dense Tasks
本文提出面向任务的可学习扩散时间步方法，通过自适应选择最优时间步提升少样本密集预测性能。
2025-12-31 cs.CV
Active few-shot segmentation by reinforcing data selection
Centre for Bioengineering, School of Engineering and Materials Science, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心）；Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学数字环境研究所）；UCL Hawkes Institute（伦敦大学学院UCL霍克斯研究所；医学物理与生物医学工程系）；Department of Medical Physics and Biomedical Engineering, University College London（耶鲁大学生物与生物医学科学系）；Department of Biological and Biomedical Sciences, Yale University（牛津大学工程科学系生物医学工程研究所）；Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford
研究少样本医学图像分割中支持集选择问题，提出强化学习框架，智能体直接预测最大化下游分割性能的支持集，实验表明该方法优于随机选择和现有方法，凸显支持集互补性及强化学习的潜力。
2026-07-27 cs.CV
One-shot neural band selection for spectral recovery
Beihang University（北京航空航天大学）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；School of Software, Beihang University（北京航空航天大学软件学院）；ShiFang Technology Inc.（十方科技公司）；State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室）
提出一种用于光谱恢复的一次性神经波段选择（NBS）框架，基于连续松弛和梯度下降实现高效波段搜索，利用波段相关性矩阵逐步抑制相似相邻波段，在NTIRE 2022挑战赛中取得一致性能提升。
2023-05-16 cs.CV eess.IV
Discover, Segment, and Select: A Progressive Mechanism for Zero-shot Camouflaged Object Segmentation
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算重点实验室，教育部，厦门大学）
本文提出DSS机制，通过特征一致的对象发现、分割细化和语义驱动的掩码选择，提升零样本伪装物体分割的性能。
2026-02-23 cs.CV
LLM-Guided Exemplar Selection for Few-Shot Wearable-Sensor Human Activity Recognition
Graduate School of Life Science and Systems Engineering, Kyushu Institute of Technology, Kitakyushu, Japan（九州工学院生命科学与系统工程研究生院，日本）
本文提出基于大语言模型的示例选择方法，通过语义先验和结构几何线索提升少样本可穿戴传感器人体活动识别的性能。
2026-01-01 cs.AI cs.CL cs.CV
Local Foreground Selection aware Attentive Feature Reconstruction for few-shot fine-grained plant species classification
Queen Mary University of London（伦敦玛丽女王大学）
针对少样本细粒度植物分类中类内差异大、类间差异小的问题，提出融合局部注意力与前景选择注意力的LFS机制，可增强特征判别性并降低背景干扰，在三个植物数据集上验证了其有效性及与现有特征重构方法的互补性。
2025-01-12 cs.CV
Class-relevant Patch Embedding Selection for Few-Shot Image Classification
School of Computer Science, Huazhong University of Science and Technology（华中科技大学计算机学院）
针对小样本图像分类中特征选择困难的问题，提出利用预训练 ViT 的类别 embedding 筛选并融合高相关 patch embedding，在 1-shot 和 5-shot 基准上优于现有方法。
2024-05-06 cs.CV
TALDS-Net: Task-Aware Adaptive Local Descriptors Selection for Few-shot Image Classification
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；School of Computer Science（计算机学院）；Technology, Soochow University（苏州大学技术学院）
本文提出TALDS-Net，通过自适应选择任务感知的支持与查询局部描述符，解决少样本图像分类中信息丢失和忽略支持描述符的问题，并在通用与细粒度数据集上取得领先性能。
2024-09-03 cs.CV cs.MM
Alleviating the Sample Selection Bias in Few-shot Learning by Removing Projection to the Centroid
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；University of Electronic Science and Technology of China（电子科技大学）；Pengcheng Laboratory（鹏城实验室）；Zhejiang Lab（之江实验室）
少样本学习（FSL）的目标是在没有足够注释的情况下将视觉模型推广到看不见的任务。尽管出现了许多少样本学习方法，但样本选择偏差问题，即，对有限数量的支持数据的敏感性尚未得到很好的理解。在本文中，我们发现，这个问题通常发生在支持样本的位置是在附近的任务质心-在任务中的所有类质心的平均值。这促使我们提出一个非常简单的特征变换来缓解这个问题，称为任务质心投影去除（TCPR）。TCPR直接应用于给定任务中的所有图像特征，旨在去除沿任务质心方向的特征的维度。虽然精确的任务质心不能从有限的数据中准确地获得，但我们使用每个都与支持特征之一相似的基本特征来估计它。我们的方法有效地防止功能过于接近任务质心。在不同领域的10个数据集上进行的大量实验表明，TCPR可以可靠地提高各种特征提取器，训练算法和数据集的分类精度。该守则已在https://github.com/KikimorMay/FSL-TCBR上公布。
2022-10-30 cs.CV
Few-Shot Learning with Uncertainty-based Quadruplet Selection for Interference Classification in GNSS Data
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
针对GNSS干扰分类需适配未见干扰的需求，提出基于偶然与认知不确定性的四元组选择小样本学习方法，在自建8类高速干扰数据集上分类准确率达97.66%，优于同类技术。
2024-05-02 cs.CV eess.IV eess.SP
Selective Backpropagation for Efficient Few-Shot Class-Incremental Learning
Concordia University（康考迪亚大学）
提出选择性反向传播（SBP），通过预分配参数子集限制梯度更新，在少样本类增量学习中实现高效适应，兼顾稳定性与低训练成本，并在跨域和长序列场景中保持强性能。
2026-10-06 cs.AI cs.CV cs.LG
Expert-Guided Explainable Few-Shot Learning with Active Sample Selection for Medical Image Analysis
AI Research, Department of Computer Science at University of South Dakota（AI研究、计算机科学系，南达科他大学）
本文提出专家引导的可解释少样本学习与主动样本选择方法，通过结合放射科定义的感兴趣区域和迭代样本获取，提升医学图像分析的准确性和可解释性。
2026-01-02 cs.AI cs.CV eess.IV
Revealing the Semantic Selection Gap in DINOv3 through Training-Free Few-Shot Segmentation
Department of Electrical & Electronics Engineering（电子与电气工程系）；Universiti Teknologi PETRONAS（技术大学PETRONAS）
本研究通过无训练方法揭示DINOv3中存在语义选择差距，指出最后一层特征虽表现优异，但无法可靠识别高保真语义特征。
2026-02-07 cs.AI cs.CV
Hold-One-Shot-Out (HOSO) for Validation-Free Few-Shot CLIP Adapters
ML-Labs（ML实验室）；Dublin City University（都柏林城市大学）
HOSO-Adapter通过无需验证的少样本设置，提升CLIP适配器性能，平均高出4个百分点
2026-03-04 cs.CV
VGAS: Value-Guided Action-Chunk Selection for Few-Shot Vision-Language-Action Adaptation
Australian Artificial Intelligence Institute (AAII)（澳大利亚人工智能研究所）
提出VGAS框架，通过生成-选择范式和价值引导的动作块选择，解决少样本VLA适应中的几何歧义问题，提升成功率和鲁棒性。
2026-05-22 cs.AI cs.CV
Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification
University of Science and Technology of China（中国科学技术大学）；Texas A&M University（得克萨斯农工大学）
Few-Shot分类的目标是学习一个模型，该模型可以在只有少数标记样本可用的情况下很好地推广到新任务。为了利用在实际应用中更丰富的未标记数据，Ren等人\shortcite{ren2018meta}提出了一种半监督的Few-Shot分类方法，该方法通过手动定义的度量为每个未标记样本分配适当的标签。然而，手动定义的指标无法捕捉数据中的内在属性。在本文中，我们提出了一个\textbf{S} elf-\textbf{A}自适应的\textbf{L} abel \textbf{A}增强方法，称为\textbf{SALA}，用于半监督Few-Shot分类。SALA的一个主要新颖性是任务自适应度量，它可以以端到端的方式自适应地学习不同任务的度量。SALA的另一个吸引人的特性是渐进的邻居选择策略，该策略在训练阶段逐步选择具有高置信度的未标记数据。实验表明，SALA优于几个国家的最先进的方法，半监督Few-Shot分类基准数据集。
2022-06-16 cs.CV
Selective, Regularized, and Calibrated: Harnessing Vision Foundation Models for Cross-Domain Few-Shot Semantic Segmentation
Nanjing University（南京大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出HERA框架，通过选择性、正则化和校准的方法，有效利用视觉基础模型进行跨域少样本语义分割，提升了模型在新领域中的适应能力，并在多个基准上取得了更高的mIoU成绩。
2026-05-19 cs.CV
SynPo: Boosting Training-Free Few-Shot Medical Segmentation via High-Quality Negative Prompts
Department of Artificial Intelligence, Xiamen University, Xiamen, China（厦门大学人工智能学院）；Institute of Artificial Intelligence, Xiamen University, Xiamen, China（厦门大学人工智能研究院）；School of Software and Microelectronics, Peking University, Beijing, China（北京大学软件与微电子学院）；Kuaishou Technology, Beijing, China（快手科技）
SynPo通过设计置信度图协同模块和基于高斯分布及K-means聚类的负提示选择策略，提升了免训练少样本医学分割在低对比度图像上的性能，达到与训练方法相当的效果。
2025-06-20 cs.CV
Selective Vision-Language Subspace Projection for Few-shot CLIP
University of Science and Technology of China（中国科学技术大学）；Nanyang Technological University（南洋理工大学）
针对 CLIP 编码特征中存在模态差异导致分类性能受限的问题，提出免训练的选择性视觉-语言子空间投影（SSP）方法，利用局部图像特征构建子空间并设计双投影模块实现图文对齐，在 11 个数据集上优于现有 SOTA。
2024-07-26 cs.CV cs.MM
Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning
School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（计算机科学与技术学院，哈尔滨工业大学（深圳））；Pengcheng Laboratory（鹏城实验室）
针对少样本类增量学习中的稳定性-可塑性平衡问题，提出CKPD-FSCIL框架，通过连续知识保持分解和自适应层选择利用预训练权重冗余容量，实现零推理开销的高效适配。
2025-08-22 cs.CV
Provoking Multi-modal Few-Shot LVLM via Exploration-Exploitation In-Context Learning
State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室）；Tongyi Lab, Alibaba Group（阿里云实验室）
针对 LVLM 多模态 ICL 中演示选择启发式、缺乏交互建模的问题，提出探索-利用强化学习框架，自适应选择整体演示并提升少样本泛化性能。
2025-06-11 cs.CV
Making Large Vision Language Models to be Good Few-shot Learners
Hohai University（河海大学）；HKUST（香港科技大学）；Griffith University（格里菲斯大学）
针对大型视觉语言模型在少样本分类中学习不足和定位偏差的问题，本文采用元学习策略，结合标签增强和候选选择，提升了模型在通用和细粒度数据集上的分类性能。
2024-08-21 cs.CV
Atomic Visual Entailment: Enhancing Zero-Shot Vision-Language Reasoning through Atomic Fact Decomposition and Learned Selection
Leiden University（莱顿大学）
提出原子视觉蕴含（AVE），通过将假设分解为原子事实并学习选择可信预测，在零样本下无需微调视觉-语言模型即在SNLI-VE上达到0.803准确率，缩小了与微调系统的差距。
2026-10-06 cs.CL cs.CV
Local Descriptors Weighted Adaptive Threshold Filtering For Few-Shot Learning
Guilin University Of Electronic Technology（桂林电子科技大学）
针对少样本图像分类中背景噪声干扰问题，提出局部描述符加权自适应阈值滤波（WATF）策略，动态选择类别相关特征，在无额外参数下显著提升判别能力与聚类效果。
2024-08-28 cs.AI cs.CV
