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的难题，利用概念引导条件扩散和原型网络生成视觉概念表示，推动机器学习可解释性研究。

本研究通过元学习技术结合大型预训练模型和原型网络，解决语音情感识别中的数据稀缺问题。在有限数据条件下，该方法在希腊语和罗马尼亚语数据集上分别取得了83.78%和56.30%的准确率，显示出实际应用潜力。

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。

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。