哈工大与宾大联合推出的PointKAN基于Kolmogorov-Arnold网络（KANs）进行点云分析，性能优于传统多层感知机（MLPs）。PointKAN通过Efficient-KANs结构显著减少参数量，同时保持高精度，尤其在小样本学习中展现出强泛化能力。

本研究提出了一种新框架FSL-SNN，通过自特征提取和跨特征对比模块，提高了脉冲神经网络在小样本学习中的特征表示精度，并降低了能耗。实验结果表明，该框架在N-Omniglot数据集上的分类性能显著提升，且与人工神经网络在静态数据集上的表现相当。

本研究提出了一种掩膜图像一致性和差异学习（MICD）框架，旨在提升半监督医学图像分割的效果。该框架通过三个关键模块增强了上下文感知和模型鲁棒性，显著提高了小样本学习能力。实验结果表明，该方法在多个公共医学图像数据集上优于现有技术。

飞桨PP-UIE是一个支持中英文的信息抽取大模型，具备强大的零样本和小样本学习能力，能够高效处理长文本，适用于多种应用场景。

本文介绍了多种视觉语言模型（VLMs）的微调方法，包括CLIP-Adapter、通用熵优化（UEO）和OrthCR等。这些方法在小样本学习和未知类别识别中表现优异，提升了模型的泛化能力和鲁棒性，适应现实数据分布的挑战。

本文研究了迁移学习的有效性，强调预训练数据的选择比数量更重要。提出了一种基于目标数据集的重要性权重的领域自适应方法，并在多个分类数据集上取得了优异结果。同时，探讨了迁移学习在小样本学习中的应用，比较了不同预训练模型的特征提取性能，为未来研究提供了指导。

上海交通大学研究团队开发了一种小样本学习方法，用于提升蛋白质突变效果预测性能。该方法已成功应用于Phi29 DNA聚合酶的工程改造。周子宜博士将在9月25日的线上直播中分享该方法的应用。

上海交通大学研究团队开发了一种小样本学习方法，能够提升蛋白质突变效果预测性能。该方法通过元学习构建辅助任务并训练蛋白质语言模型，成功将其转移到目标任务上。研究成果将在线上直播中分享。

TableLLM 是一个拥有 130 亿参数的大型语言模型，专注于高效处理表格数据。通过远程监督和推理过程扩展策略，提升了模型对推理模式的理解。结合“思维链”提示时，模型在表格任务中表现优异。此外，FeatLLM 框架在小样本学习中生成高质量规则，优于其他方法。

本文介绍了新颖的上下文学习框架 FealtLLM，该框架利用大型语言模型生成优化输入数据集，以提升小样本学习的性能。实验结果显示，FealtLLM 在多个表格数据集上优于现有方法，并且仅需访问大型语言模型的 API。此外，研究探讨了大型语言模型在推荐系统、数据预处理和人类行为预测中的应用潜力，强调了其在特征提取和模型性能提升方面的优势。

研究表明，大型语言模型（LLMs）在表格数据的预测和异常检测中表现优异。通过创建综合数据集进行训练，FeatLLM框架优化了输入数据，提升了小样本学习性能。LLMs在金融数据异常检测中有效，但也存在社会偏见问题。综述指出LLMs在应用中面临数据依赖和计算资源需求等挑战，并探讨了克服这些障碍的策略。

本文探讨了如何通过调整预训练的CLIP模型来优化视觉与语言任务的学习效果。研究提出了线性适配器和自注意适配器等方法，强调了参数保留的重要性，以提高模型在新任务中的适应性。实验结果表明，这些方法在小样本学习和长尾识别任务中显著提升了性能。

本研究提出了基于对比学习的3D形状识别模型，如PointCLIP和PointCLIP V2，旨在提高零样本和小样本学习的分类准确性。通过结合CLIP模型与3D点云数据，这些方法在多个数据集上验证了其有效性，显著提升了3D视觉问答和场景理解的性能。

本文研究了多层感知机（MLP）在表格数据集上的优化，利用13种正则化技术显著提升性能。同时探讨了大型语言模型在小样本学习中的应用，提出了FealtLLM框架以生成高质量特征，提高预测准确性。此外，AutoGluon-Tabular框架通过组合模型实现高效训练，表现优于其他AutoML工具。研究表明，传统机器学习在某些任务上仍优于深度学习方法。

本文探讨了基础模型（如CLIP）在有限训练数据和分布转变下的小样本学习应用。提出了WiSE-FT和ViSFT等方法，通过微调和视觉联合学习提升模型的鲁棒性和准确性。研究表明，这些方法在多个基准数据集上表现优异，强调了改进零样本多模态模型鲁棒性的重要性。

哈工大推出FewJoint基准数据集，用于NLP小样本评测。hyper.ai提供其他中文大模型训练的NLP数据集。

哈工大推出了FewJoint基准数据集，供NLP小样本评测使用。hyper.ai还有其他中文大模型训练的NLP数据集可下载。