本研究探讨了大型语言模型（LLMs）在社交媒体数据中识别和注释人权侵犯的能力。通过比较不同LLMs在零样本和少样本条件下的表现，揭示了它们在处理复杂文本时的错误模式及其在多语言背景下的适用性和局限性。

本研究提出MetaUAS，一种基于单一提示的元学习方法，旨在解决零样本和少样本视觉异常分割问题。MetaUAS通过将异常分割与变化分割统一，仅需一张正常图像即可精准分割未见的视觉异常，显著提升分割性能，无需依赖语言模型和特定数据集。

本研究提出了一种文本语义增强（TSA）方法，旨在解决文本属性图中的少样本和零样本节点分类问题。通过引入积极和消极语义匹配技术，TSA显著提高了分类准确率，实验结果表明其在多个数据集上超越了现有基线，准确度提升超过5%。

本研究提出了一种新型少样本编码解码方法，解决了传统视频监控语义解码对大量样本的依赖。通过提取草图作为语义信息并结合图像翻译网络，显著提升了视频重构性能，降低了存储和传输成本。

本研究举办了首届NTIRE 2025跨域少样本目标检测挑战赛，旨在通过有限的标注数据提升模型性能。参赛队伍提出了创新模型，取得了新的最佳结果，展示了该领域的进展与应用价值。

本研究提出无时间对齐匹配（TEAM）方法，以解决少样本动作识别中视频匹配精度不足的问题。TEAM通过固定模式标记表示视频，增强了对不同动作的处理灵活性，实验结果表明其在视频相似性测量上优于传统方法。

本研究提出GFS-VL框架，解决通用少样本3D点云分割在新类别适应中的稀疏样本问题，通过结合密集伪标签与稀疏样本，显著提升学习效果，实验验证了其有效性，为实际应用奠定基础。

本研究提出了一种语言引导的少样本3D重建方法，解决了传统6D物体姿态估计对大数据集和高计算成本的依赖。该方法通过处理少量图像和语言查询，实现了高质量的3D网格重建，显著提高了准确性和效率。

本研究提出了一种新的知识解耦协同学习方法（KDSL），有效解决电子商务中少样本多模态对话意图识别的干扰问题。在淘宝数据集上，该方法的F1分数提升了6.37%和6.28%，验证了其有效性。

该研究提出了一种结合迁移学习与元学习的少样本文本分类模型，有效解决了标注数据获取困难的问题。实验结果表明，该模型在少样本和中等样本条件下的性能优于传统方法，具有实际应用潜力。

本研究针对医学成像中因标记数据有限导致的分类和定位准确性不足问题，采用原型网络和PRNet进行SPECT图像的少样本分类与定位，结果表明这两种方法有效提升了深度学习在医学成像中的应用潜力。

本研究提出了一种少样本元离线强化学习算法，旨在解决现有强化学习在安全性和成本上的在线交互依赖问题。该算法利用静态离线数据集进行训练，能够有效扩展到新环境，优化无人机轨迹和调度策略，实现快速收敛，并达到最佳的年龄信息和传输功率平衡。

本研究提出了一种新方法TARDiS，旨在解决少量样本文本分类中的文本增强问题。通过引入多种类特定提示和类适应方法，TARDiS显著提高了生成文本的多样性和可分性，实验结果表明其在少样本文本分类任务中优于现有方法，具有重要应用潜力。

本研究提出了MVREC框架，结合预训练的AlphaCLIP模型和区域上下文增强方法，解决了少样本缺陷多分类模型的适用性问题，并建立了新的基准MVTec-FS。实验结果表明，该模型在缺陷分类中表现优越。

本研究提出了DS$^2$-ABSA框架，旨在解决低资源环境下少样本基于方面的情感分析中的数据稀缺问题。该框架通过关键点驱动和实例驱动生成多样化样本，并集成标签精细化模块以提高标签准确性。实验结果表明，DS$^2$-ABSA在性能上显著优于以往方法。

本研究提出了一种少样本可调节对齐的新框架，旨在解决大型语言模型与个体用户多样化偏好的对齐问题。该方法通过扩展Bradley-Terry-Luce模型，有效捕捉和对齐人类的异质偏好。

该研究提出FLEX-CLIP方法，解决传统少样本跨模态检索中的特征退化和数据不平衡问题。通过生成伪样本和融合CLIP特征，实验结果显示在四个基准数据集上的性能提高了7%至15%。

本研究提出了一种创新的SAAN学习框架，旨在解决少样本类别增量学习中因现有类别占据特征空间而导致的新类别学习困难。该框架通过分配专门子空间和利用样本不平衡，显著提升了分类效果，实验结果验证了其性能优势。

本研究分析了医学基础模型在医疗任务中的有效性，发现其在零样本和少样本情况下并未显著优于通用模型。尽管经过微调后医学LLM性能有所提升，但这些改进无法应用于临床笔记任务，表明通用模型已展现出强大的医学知识和推理能力。

本研究探讨了大语言模型和视觉语言模型在医学问答中的适应性，结果显示其表现不及基础模型，尤其在零样本和少样本条件下。未来研究需加强相关方法。