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。

本研究探讨了利用大型语言模型GPT-4o进行零-shot合成神经外科数据生成，以应对真实数据获取中的数据稀缺和隐私限制问题。该方法有效增强了小样本临床数据，提升了机器学习模型预测神经外科结果的能力。

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AFANet，旨在解决小样本语义分割中像素级注释的高耗时和高费用问题。通过交叉粒度频率感知模块和CLIP引导空间适配模块，AFANet优化了语义结构信息，实现在线学习，显著提升了模型性能。

本文探讨了因果图的唯一性及实验次数的最坏情况，提出了一种基于得分的因果发现算法，并研究了忠实性假设的弱化对因果发现的影响。通过模拟实验验证了算法在小样本环境下的有效性和稳健性，表现优于传统方法。

本文介绍了一种新方法——测地线曲线特征增强（GCFA），用于提升小样本环境下的数据预处理模型性能。同时，研究探讨了子群发现（SGD）在材料科学中的应用，利用密度泛函理论发现可解释的半导体结构模型。此外，采用晶体图卷积神经网络（CGCNN）提高晶体材料设计效率，并提出基于深度学习的生成对抗网络模型，成功生成新型立方晶体结构，拓展材料库。

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。