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。

本研究提出了AttentionXML模型，利用多标签注意机制和概率标签树，解决极端多标签文本分类问题，表现优于传统方法。此外，HAXMLNet、LAHA和CascadeXML等新模型在处理大规模标签集和少样本分类任务中也取得了显著进展。

本文比较了递归模型与基于梯度的元学习方法的表达能力，发现基于梯度的方法具有更强的推广性。研究了多种元学习算法在少样本分类和回归任务中的表现，并提出了新的正则化方法以增强模型的泛化能力，最后总结了元学习领域的现状及未来研究方向。

本文介绍了一种新的基于对比学习的3D视觉预训练方法CLIP2Point，旨在将CLIP知识转移到3D视觉中，以提升零样本和少样本分类性能。通过多种模型和实验验证，CLIP2Point在点云数据和3D场景理解任务中表现显著，尤其在无标注语义分割和视觉问答任务中效果优异。

本文探讨了通过引入随机局部胜者通吃激活的深层网络来解决元学习问题。该网络能够提取稀疏表示，提升少样本图像分类和回归的预测准确性，并降低计算成本。同时，研究了深度神经网络中的模型复杂性和连接推断，提出了新的算法和动态构建方法，以提高网络的效率和准确性。

本研究提出了多种多标签学习方法，如AMuLaP、SLDL和GLEMIML，旨在提升少样本文本和图像分类的性能。通过预训练模型和弱监督学习，实验结果表明这些方法在多个数据集上优于现有技术，特别是在零样本识别和分类准确性方面表现突出。

本研究提出了 MetricPrompt 方法，解决了少样本分类中的 verbalizer 设计问题，表现优于手动和其他自动方法。同时，研究探讨了多种少样本学习技术，如 LM-BFF 和 PERFECT 方法，在多种自然语言处理任务中均显示出显著改进。

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。

本文研究了双曲空间中的分层数据表示及其对少样本分类的影响。研究表明，最佳结果是通过在共同的双曲半径下得到的双曲嵌入得到的。通过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。

该文介绍了一种新的机器学习模式COLA，用于少样本节点分类任务，结合了对比学习和元学习。作者通过广泛实验验证了该模式的重要性，并证明在所有任务上都取得了新的最先进水平。