近期我们针对小样本机器学习的前沿成果进行了深度整合，从中筛选出20篇很有参考价值的论文，收录了Nature正刊、Neurips等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「小样本机器」
免费获取全部论文合集及项目代码
Enhancing Few-Shot Learning with Integrated Data and GAN Model Approaches
本文提出MhERGAN（DAMFT‑FSL2）小样本学习算法，构建重参数化GAN集成框架，采用Bagging集成策略矫正判别器分布，再以校准后判别器的分布为目标，借助MCMC‑MH马尔可夫链蒙特卡洛采样对生成器分布做纠偏，得到偏差更小的扩充数据集，之后结合增加微调迭代轮数与MHLoss多头损失策略对预训练分类器微调，提升微调过程的收敛速度与稳定性，最终在图像与结构化小样本数据集上完成分类任务验证算法效果。
FEW-SHOTIMAGECLASSIFICATIONBASEDONGRADUAL
MACHINELEARNING
本文提出基于渐进机器学习GML的直推式小样本图像分类方法，采用ResNet‑12与WRN‑28‑10两个骨干网络提取图像嵌入特征，构造以类中心距离CCD为一元因子、k近邻KNN为二元因子的因子图，借助sigmoid函数对特征影响力建模，以支持集样本作为初始证据观测，按照样本难度递增顺序执行可扩展迭代因子图推理，每次依据证据置信度与熵值筛选待标记样本并更新证据集，利用MiniImageNet、TieredImageNet等数据集完成同域与跨域实验，相比现有方法取得更高精度，且随查询集增大性能能够持续提升。
扫描下方二维码，回复「小样本机器」
免费获取全部论文合集及项目代码
Towards Robust Few-shot Class Incremental Learning in Audio Classification using Contrastive Representation
本文针对小样本类增量音频分类任务，采用ResNet‑18作为骨干网络从对数梅尔语谱图提取音频特征，基础会话训练阶段结合监督对比损失与交叉熵损失联合优化以强化特征空间的类内聚集、类间分离效果，训练完成后冻结特征提取器，增量会话沿用随机分类器，依靠已有类别与新类别的原型，联合原型损失和交叉熵损失更新分类权重实现新类的增量扩展，在NSynth、LibriSpeech、ESC系列音频数据集上开展实验，从平均准确率、性能衰退指标验证方法在小样本类增量音频分类任务上的效果。
Few‑shot concealed object detection in sub‑THz security images using improved pseudo‑annotations
本文基于TFA两阶段微调框架开展亚太赫兹安检图像小样本隐匿目标检测，改进LVC伪标注流水线，采用多个以ResNet‑50为骨干的Faster‑RCNN单类检测器在少量标注样本上生成候选框与置信度初标注，再搭配细粒度分类器对候选结果做重校验与类别修正，同时借助红外热图像辅助训练缓解过拟合与类别不平衡问题，利用生成的高质量伪标注扩充无标签亚太赫兹图像数据，在少量标注条件下完成3D打印枪械、陶瓷刀具等隐匿危险物品的检测并验证效果。
扫描下方二维码，回复「小样本机器」
免费获取全部论文合集及项目代码
