本研究提出了一种新方法，通过概念丰富模型解决概念注释获取困难的问题。利用概念引导的条件扩散和原型网络，生成视觉概念表示并创建概念原型数据集，实现可解释的概念预测，为机器学习的可解释性研究开辟新方向。

本研究提出了一种基于原型网络的少样本学习方法，解决了肺结核胸部X光数据集中的类别不平衡问题。实验结果显示该方法在分类准确性上显著提高，适用于疾病分类的应用，具有临床价值。

本文探讨了多种少样本学习技术，包括任务自适应特征子空间学习、结合最优传输和原型网络的方法、约束的少样本学习等，并提出了提高模型性能的策略和评估方法。研究表明，使用未标记数据和优化样本选择策略能显著提升少样本学习效果。

该文综述小样本学习进展，涵盖多种方法：基于facets的自适应相似性度量提升miniImageNet和CUB表现；最优传输结合原型网络缓解分布偏移；Transformer模型TraNFS应对标签干扰；小样本学习用于三维感知并引入CIA模块；LSFSL增强泛化与鲁棒性；融合类别语言描述与视觉特征；对称对齐机制学习广义视觉概念；渠道特征转换缓解渠道偏见；预训练语言模型提升FSL；学习全局类别表示解决少样本问题。

该文介绍了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型，通过使用原型网络和混合注意力来实现更具区别性的原型，并通过整合支持集和查询集的语义信息来学习动态阈值实现多标签推断。

本文提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型。该模型通过原型网络和混合注意力减少噪音、捕获更多信息，实现更具区别性的原型。同时，通过整合支持集和查询集的语义信息，该模型能够学习动态阈值实现多标签推断。实验结果表明，KEAF 在少样本学习中的信息提取任务中优于其他模型。