MediCLIP是一种高效的小样本医学影像异常检测方法，能够在仅有少量正常影像的情况下实现优异性能，适用于多种医学影像类型，并展现出良好的零样本泛化能力。

本研究利用GPT-4o进行零-shot合成数据生成，解决了获取真实神经外科数据的挑战，增强了小样本临床数据，提高了机器学习模型对神经外科结果的预测能力。

本研究提出了FewTopNER框架，通过结合小样本命名实体识别与主题感知上下文建模，显著提升了跨语言和低资源场景中的识别准确性。

本研究提出了LLM-TKESS框架，利用大型语言模型解决数据驱动软传感器建模中的复杂性和数据单一性问题。该模型在小样本条件下表现优异，验证了其在工业过程中的应用潜力。

本研究提出了一种新的量子彼得-克拉克（qPC）算法，旨在解决小样本下的因果关系发现问题。该算法不依赖假设模型，通过量子电路特征化的再生核希尔伯特空间进行条件独立性检验，显著优于传统方法，并优化超参数以降低假阳性风险。

本研究提出AFANet，旨在解决视觉密集型任务中小样本语义分割的高成本问题。通过引入新模块，优化语义信息并实现在线学习，显著提升模型性能。

大型语言模型在零样本和小样本任务中表现优异，但可能受到任务污染的影响。研究显示，LLMs在训练数据创建日期之前的数据集上表现良好，表明存在任务污染。通过检查训练数据，发现更多证据。在无任务污染的分类任务中，LLMs在零样本和小样本设置下的改进有限。

本研究提出了一种准确的对象检测器，用于跨领域小样本目标检测。通过引入多个指标来量化域差异，并建立新的CD-FSOD基准，对开放式对象检测方法进行评估。实验证明，CD-ViTO在领域内外目标数据集上取得了令人印象深刻的结果。

深度神经网络在皮肤病变分类方面的潜力已被证明不亚于皮肤科医生的诊断。研究发现，无监督领域自适应方法能提高黑素瘤-痣任务的性能，但小样本或非平衡数据集会影响结果的一致性。

本研究分析了8种无监督领域自适应方法在皮肤镜数据集的泛化能力，结果表明这些方法可以提高黑素瘤-痣的分类任务性能，但小样本和非平衡数据集会影响结果的一致性。深度神经网络在皮肤病变分类方面的潜力已被证明优于皮肤科医生的诊断。