10:08
arXiv cs.AI@Liming Liu, Chao Hu, Mingfei Lu, Yiwei Ge, Xingle Li, Heyuan Shi
推荐理由：这篇论文提出了ADC-GNN，在少样本场景下用扩散对比学习搞定图欺诈检测，三个公开基准上比现有方法都好，做风控的朋友可以看看
全部 AI 动态
AI 相关资讯全量信息流
6月29日
10:08
ADC-GNN是一个统一框架，结合扩散引导特征增强、对比表示学习和多跳谱注意力，用于少样本图欺诈检测。论文指出真实欺诈图存在稀疏不平衡监督和表示稀释问题。在三个公共基准和约6万条记录的私有电信数据集上，以1%训练设置评估，ADC-GNN持续优于原始欺诈基线及四种近期基线。额外分析验证了其稳定性、训练比例影响和模块效果。
6月24日
12:10
12:10
arXiv cs.AI@Ahmad Pouramini, Hesham Faili
推荐理由：这篇论文教你怎么给不同任务选对预训练目标，少样本下性能直接翻倍，比传统方法强一大截。
6月23日
10:44
10:44
arXiv cs.LG@Na Sang, Ding Ma, Rui Sang, Yuxuan Liu
推荐理由：这篇论文提出了CCPL，用概念原型约束提示学习，在DTD和EuroSAT上比CoOp有稳定提升，值得少样本CLIP调优的读者看看。
6月16日
20:46
AITOP6月16日 20:46
10:23
10:23
arXiv cs.LG@Hyebin Cho, Jaehyuk Jang, Changick Kim, Joon Son Chung
推荐理由：这篇论文把提示学习从文本拓展到音频端，在11个数据集上验证了效果，代码已开源做少样本音频分类的可以看看。
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
5月27日
10:55
10:55
pandaily@contact@pandaily.com (Pandaily)
推荐理由：具身AI赛道再获资本加注，中科第五纪的少样本模型解决了机器人训练数据稀缺的痛点，做机器人或物理AI的团队值得关注其技术路线和融资动态。
5月26日
12:25
12:25
arXiv cs.LG@Adina Scheinfeld, Haotan Zhang, Shang Mu, Rudolf L. M. van Herten, Lucas Stoffl, Ali Erturk, Zhuhao Wu, Johannes C. Paetzold
精选
推荐理由：做生物影像分析的研究者终于有了一个能少标注、多任务的 3D 基础模型——少样本就能搞定分割、分类和去模糊，建议做 LSM 数据处理的团队直接试试开源的预训练权重。
5月22日
11:12
11:12
arXiv cs.AI@Girish Narayanswamy, Maxwell A. Xu, A. Ali Heydari, Samy Abdel-Ghaffar, Marius Guerard, Kara Vaillancourt, Zhihan Zhang, Jake Garrison, Levi Albuquerque, Dimitris Spathis, Hong Yu, Hamid Palangi, Xuhai "Orson" Xu, David G. T. Barrett, Joseph Breda, Jed McGiffin, Yubin Kim, Yuwei Zhang, Naghmeh Rezaei, Samuel Solomon, Karan Ahuja, Tim Althoff, Jake Sunshine, Ming-Zher Poh, Benjamin Yetton, Ari Winbush, Nicholas B. Allen, James M. Rehg, Isaac Galatzer-Levy, Yun Liu, John Hernandez, Anupam Pathak, Conor Heneghan, Yuzhe Yang, Ahmed A. Metwally, Pushmeet Kohli, Mark Malhotra, Shwetak Patel, Xin Liu, Daniel McDuff
精选72°
推荐理由：这项研究解决了可穿戴数据标注稀缺和个体差异大的核心难题，做健康AI或可穿戴设备开发的团队可以直接参考其预训练方法和少样本学习策略，值得关注。
5月14日
01:10
01:10
arXiv cs.AI@Luke James Miller, Yugyung Lee
推荐理由：做医学图像分割或处理极端类别不平衡问题的研究者，SEMIR 用图小类替代密集网格推理，既保持拓扑又降低计算量，值得关注其边界对齐的少样本学习思路。