本研究提出了一种名为PHIER的方法，利用谓词层次结构解决机器人规划中物体及其关系的少样本状态分类问题。该方法结合对象中心的场景编码器和自监督损失，显著提升了分类性能，尤其在数据稀缺和仿真到现实的任务迁移中表现优异。

本研究提出了一种新的对比学习方法——多粒度关系对比学习（MGRCL），旨在提高少样本分类的特征质量。实验结果表明，该方法在多个基准测试中表现优异，显著提升了分类性能，并可与其他少样本学习方法结合使用。

本研究提出了一种图像描述增强的CLIP适配器（IDEA），旨在解决少样本图像分类中的信息互补不足问题。通过结合视觉特征与文本描述，IDEA在多个任务中超越了现有模型，并引入了可训练的IDEA（T-IDEA），在11个数据集上取得了领先成果。

本研究结合自监督学习与深度网络模型ResNet-101，优化了少样本图像分类任务，分类准确率和F1得分达到约95.12%，验证了自监督学习在少样本分类中的有效性。

本文提出了一种新方法，通过减少CLIP模型中的模态内重叠（IMO）来提升少样本分类性能。研究表明，减少IMO与模型性能呈正相关。训练轻量级适配器可有效提高分类准确性和鲁棒性。

研究表明，分层数据在双曲空间中能够生成低维且高信息量的表示。本文聚焦于原型双曲神经网络，探讨高维情况下双曲嵌入的收敛性及其对少样本分类的影响，结果表明固定半径编码器能显著提升性能。

本研究提出了一种属性树提示学习方法，通过生成“概念-属性-描述”的结构化知识树，解决视觉-语言模型在提示学习中未充分利用类别名称上下文的问题。该方法引入视觉和文本提示，显著提升了零样本泛化、跨数据集迁移和少样本分类的性能。

本研究通过微调CLIP模型的视觉编码器最后投影矩阵，实现少样本分类的高效适应，无需额外参数优化，并在多个基准测试中表现优异。这一方法有助于推动少样本分类和领域泛化的研究。

研究发现，双曲空间中的分层数据可以生成低维高信息量的表示，但在图像识别中优化较难。本文探讨了原型双曲神经网络，特别是高维双曲嵌入的收敛性及其对少样本分类的影响。结果表明，最佳少样本结果通过共同双曲半径嵌入获得，使用欧几里德度量的固定半径编码器可提升性能。

最新研究发现，双曲空间中的分层数据可以产生低维度高信息量的表示。本文研究了原型双曲神经网络在高维度情况下的收敛性和对少样本分类的影响。结果显示，双曲嵌入可获得最佳少样本结果。固定半径编码器配备欧几里德度量相比以往基准结果表现更好。

最近的研究发现，双曲空间中的分层数据能够产生低维度和高信息量的表示。本文研究了原型双曲神经网络在高维度情况下的收敛性和对少样本分类的影响。结果显示，通过双曲嵌入可以得到最佳的少样本结果。配备欧几里德度量的固定半径编码器可以获得更好的性能。

细粒度图像分类的难点在于跨类别的整体外观相似性。该研究提出了一种针对细粒度少样本分类的任务导向通道注意力方法，通过支持注意力模块和查询注意力模块来突出显示关键特征。实验证实了该方法在细粒度少样本分类任务中的有效性。

本文提出了一种自动连续学习的方法，通过训练自指神经网络来解决传统神经网络学习算法中的上下文灾难性遗忘问题。ACL在Split-MNIST基准测试上表现优于手工设计的算法，实现了持续学习多个少样本和标准图像分类数据集的目标。

本研究提出了一种高效的微调方法，将经典算法高斯判别分析（GDA）应用于图像预训练模型CLIP的下游分类任务中。该方法在少样本分类、不平衡学习和超出分布泛化等方面表现优秀，并可扩展到基于新类别的推理和无监督学习。

本文提出了一种基于Vision Transformer (ViT)架构的任务内互注意方法，用于少样本学习。该方法通过交换支持集和查询集的类别标记与图像片段标记，实现了互注意，加强了类内表征，促进了同一类别样本之间的相似性。在五个常见的少样本分类基准任务中，该方法在5-shot和1-shot情况下表现更好，同时具有简单、高效的计算能力。

本研究通过将镜像下降的变分推断与高斯过程的少样本分类集成，解决了非共轭推断的挑战。实验结果显示了具有竞争力的分类准确性、改进的不确定性量化和更快的收敛速度。代码可在指定的URL中公开获取。

研究人员使用大规模预训练的视觉语言模型和迁移学习方法，提出了条件原型纠正提示学习方法，解决了基类过拟合问题，并在少样本分类和基类到新类的泛化任务中取得了最先进的性能。

本研究提出了一种高效的微调方法，将高斯判别分析（GDA）应用于图像预训练模型CLIP的下游分类任务中。该方法在少样本分类、不平衡学习和超出分布泛化等方面表现优秀，并可扩展到基于新类别的推理和无监督学习。

本文研究了双曲空间中的分层数据表示和双曲嵌入在高维度情况下的收敛性，以及其对少样本分类的影响。研究表明，最佳的少样本结果是通过在共同的双曲半径下得到的双曲嵌入得到的。