少样本学习相关 AI 资讯

8月13日

17:51

官方账号arXiv cs.AI@Kazi Nabiul Alam, Pooneh Bagheri Zadeh, Akbar Sheikh-Akbari

高光谱成像能非破坏性检测鱼肉储存期间的生化变化，但现有深度学习模型都需要大量逐日标注数据，难以逐产品获取。该论文提出首个用于高光谱食品质量估计的少样本学习框架：每片鱼肉构成一个独立的小样本任务，并用CORAL式序数回归头建模鲜度随时间的等级变化。在16天鲑鱼高光谱数据集上，按严格未见鱼片协议，仅用每个鱼片3个标注日即达到平均绝对误差1.58天、2天准确率72.3%，优于标量回归和标签分布基线。

论文高光谱成像少样本学习鱼类鲜度

推荐理由：三张标注日就能把鱼肉鲜度误差压到1.58天，这个少样本高光谱方法比全监督基线都划算。

原文

8月6日

11:22

官方账号arXiv cs.LG@Sajib Hossain, Md Kamrus Samad, Anan Ghosh, Labib Imam Chowdhury, Nabeel Mohammed

该论文提出BnBERT-iPET，一种面向孟加拉语的稀疏少样本语言建模方法。通过迭代模式利用训练和彩票假设剪枝，模型仅保留初始BERT网络10%的边，实现90%稀疏度。在孟加拉语标准基准数据集上，该轻量模型与Bangla Electra、Indic-BERT、XLM-RoBERTa等大规模模型表现相当。该方法降低了资源受限语言训练大模型的计算成本和碳排放门槛。

论文 BnBERT-iPET Bengali 模型剪枝

推荐理由：这篇论文用剪枝把BERT砍到只剩10%参数，孟加拉语任务上还能和大模型打平，做低资源语言NLP的可以看看。

原文

7月16日

11:35

官方账号arXiv cs.LG@Ximeng Mao, Nanda H. Krishna, Avery Hee-Woon Ryoo, Matthew G. Perich, Guillaume Lajoie

MOJO（Masked autOencoder-based JOint training）是一个结合自监督掩码自编码与监督学习的训练框架，用于尖峰令牌化模型。在猴子运动皮层、小鼠视觉决策等多区域数据集上，MOJO超越纯监督模型，尤其在少样本微调时性能提升显著。该框架还泛化到人类ECoG语音数据，达到专用神经基础模型水平。

论文 MOJO 自监督学习神经解码

推荐理由：MOJO让神经解码模型也能用大量无标签数据，比纯监督学习更强，尤其数据少时效果拔群。

原文

7月13日

09:59

官方账号arXiv cs.AI@Tianyou Jiang, Ziyu Zhou

TCLA是一种纯训练自由的少样本适应方法，针对医学视觉-语言模型（VLMs）在分布外（OOD）数据上性能下降的问题。该方法仅需少量支持样本即可校正推理逻辑，无需额外训练组件，在1-shot场景下依然稳定。在9个数据集（涵盖X光、超声、MRI、CT、组织病理学等模态）上，TCLA持续提升OOD性能，多数情况下超越现有基于训练的方法。

论文 TCLA Medical VLMs 视觉-语言模型

推荐理由：这篇论文提出了TCLA方法，不用训练就能让医学VLMs适应新数据，1-shot下效果比现有训练方法还好，很实用。

原文

7月3日

12:01

官方账号arXiv cs.LG@Zhuowei Chen, Liwei Chen, Christian Schunn, Raquel Coelho, Xiang Lorraine Li

NeuFS提出一种基于神经元激活模式的主动少样本学习框架，替代传统基于输出熵或语义相似性的样本选择方法。它在推理和文本分类两个任务共三个数据集上超越现有AFSL基线。消融实验证明内部神经元激活信号比外部嵌入在选择信号上更有效。该方法通过双标准策略兼顾样本多样性和模型易幻觉样本识别。

论文 NeuFS 主动学习少样本学习

推荐理由：这篇论文把样本选择从看输出结果改成看神经元内部活动，比传统方法更精准，适合专门领域的少样本学习场景。

原文

6月30日

11:01

官方账号arXiv cs.LG@Naeem Paeedeh, Mahardhika Pratama, Wolfgang Mayer, Mukesh Prasad, Weiping Ding, Yew-Soon Ong

本文定义了少样本领域增量学习（FSDIL）问题，针对传统方法在数据极少时过拟合的痛点。提出持续视觉-语言整合（CVLC）算法，关键思想是在基领域预留隐空间和双融合投影（DCP）参数高效微调。通过LLM生成多模板和同义词校准视觉与语言原型并融合，再用DCP适应新领域。在多个基准上，CVLC相比此前方法提升最高达16%。代码已开源。

论文 FSDIL CVLC Domain Incremental Learning

推荐理由：这篇论文提出了一个叫FSDIL的新问题和一个叫CVLC的算法，用双融合投影微调视觉语言模型，在少样本领域增量学习上比之前的方法好16%。

原文

6月29日

10:08

官方账号arXiv cs.AI@Liming Liu, Chao Hu, Mingfei Lu, Yiwei Ge, Xingle Li, Heyuan Shi

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。

论文 ADC-GNN Graph Fraud Detection 图神经网络

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

原文

6月24日

12:10

官方账号arXiv cs.AI@Ahmad Pouramini, Hesham Faili

该论文提出MTO框架，在编码器-解码器预训练语言模型上匹配任务与预训练目标。将微调模板与目标对齐后，在少样本设置下性能提升超过120%，并超越相关研究。在全数据集场景中也优于基线。框架还扩展至提示调优，提供软提示工程与优化的指导。

论文 MTO框架微调提示调优

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。

原文

6月23日

10:44

官方账号arXiv cs.LG@Na Sang, Ding Ma, Rui Sang, Yuxuan Liu

提出概念约束提示学习(CCPL)框架，使用共享上下文标记和冻结概念原型，通过文本空间余弦一致性对齐learnable类提示。默认设lambda=0.5、概念dropout p=0.3、弱概念引导融合alpha=0.1。在DTD上基类到新类调和平均数提升0.6，EuroSAT提升2.9，OxfordPets下降0.1。实验表明概念约束在概念原型与数据集语义自然对齐时效果最佳。

论文 CLIP CCPL CoOp

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。

原文

6月16日

10:23

官方账号arXiv cs.LG@Hyebin Cho, Jaehyuk Jang, Changick Kim, Joon Son Chung

提出在音频编码器中引入可训练提示（acoustic prompt）以捕获任务特定声学特征，与现有文本端提示学习结合，增强少样本适应能力。在11个数据集上的实验表明，该方法作为即插即用模块可普遍提升性能。显式调制音频表示空间有效补充纯文本提示方法。代码已开源。

论文音频语言模型少样本学习提示学习

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。

原文

5月27日

10:55

官方一手pandaily@contact@pandaily.com (Pandaily)

具身智能初创公司中科第五纪宣布完成数亿元A轮融资，由复地资本及国资背景投资者联合领投。这是该公司在2026年的第三轮融资，资金将用于全球扩张和其少样本物理AI模型的规模化。该公司的模型能够在少量数据下快速学习物理世界任务，有望推动机器人等具身智能应用落地。此轮融资表明资本市场对具身AI赛道持续看好，尤其是少样本学习技术被视为降低部署成本的关键。

行业具身智能融资少样本学习

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。

原文

5月26日

12:25

官方账号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

该研究提出了一种针对光片荧光显微镜（LSM）的 3D 基础模型，通过在大规模多物种、多染色体的 3D 图像数据集上预训练，学习可迁移的体素表示。模型联合优化掩码重建和图像-文本对齐，显著降低了下游任务的标注需求，支持少样本分割、分类和去模糊。实验表明，该模型在标准指标和专家评估上均优于基线方法，展示了基础模型在 LSM 分析中减少标注负担并提升性能的潜力。代码和预训练权重已开源。

论文基础模型 3D 影像少样本学习

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。

原文

5月22日

11:12

官方账号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°

研究人员提出了一种面向可穿戴健康数据的基础模型，该模型在来自500万参与者的超过1万亿分钟未标记传感器信号上进行了预训练。通过联合扩展模型容量和预训练数据量，该模型在35项健康预测任务上（涵盖心血管、代谢、睡眠、心理健康及生活方式等）表现出系统性性能提升。该模型支持少样本学习和生成能力，可稳健估计日常健康指标。研究还部署了一组LLM智能体来自动搜索基于模型嵌入的下游预测头，并展示了性能随LLM能力提升而增强。最后，将下游预测器集成到个人健康代理中，经1860次临床医生评分验证，模型响应更相关、更具上下文意识且更安全。

论文基础模型可穿戴健康少样本学习

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。

原文

5月14日

01:10