Adversarially Robust Few-Shot Learning: A Meta-Learning Approach

方向：图像分类，对抗性鲁棒
问题：现有方法需要大量的训练集和计算昂贵的训练程序，而少样本学习对于对抗样本的攻击非常脆弱。目标是既可以在少样本分类任务中表现良好，又同时对于对抗样本鲁棒的网络。
方法：对抗性查询算法，产生对抗性鲁棒的元学习器，并深入研究了对抗脆弱性的原因。

Bayesian Meta-Learning for the Few-Shot Setting via Deep Kernels

方向：少样本分类任务
方法：认识到元学习是在多层模型上的执行学习，提出通过使用深度核对于元学习内环的贝叶斯处理。深度核迁移，学习一个核迁移到新任务。
优点：可以直接作为单个优化器实现，提供不确定性量化，并且不需要估算特定于任务的参数。得出复杂的元学习程序可以被一个简单的贝叶斯模型代替，而不损失准确性。

CrossTransformers: spatially-aware few-shot transfer

方向：图像分类
问题：训练过程中丢失了执行特定任务所不必要的信息，包括传输到新任务或者新域所必需的信息。
方法：自监督学习，CrossTransformers计算空间对应特征之间的距离。

Few-shot Image Generation with Elastic Weight Consolidation

方向：少样本图像生成
方法：调整预训练生成模型的权重

Few-shot Visual Reasoning with Meta-analogical Contrastive Learning

方向：抽象视觉推理，预测九宫格图形缺失的图案
方法：类比对比学习，构造样本的类比和非类比训练对，使类比对尽可能相似，使非类比对的相似度最小化。

Transductive Information Maximization For Few-Shot Learning

方法：转导推理，查询特征和标签预测之间的交互信息最大化，提出交替方向求解器求损失函数。

Interventional Few-Shot Learning

方向：图像分类，因果推理
问题：预训练知识的不良影响，使更强的预训练模型降低了支持集和查询集不相似类别的准确度。
方法：基于结构因果模型，提出介入小样本学习和三个算法实现。

Language Models are Few-Shot Learners

方向：少样本语言模型
问题：证明了扩展语言模型可以极大地提高任务无关性和少样本的性能，有时甚至可以与现有最先进的微调方法相竞争。
方法：训练了具有1,750亿个参数的自然语言深度学习模型GPT-3，在不进行微调的情况下，在多个NLP基准上达到最先进的性能。

Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction

方向：知识图谱补全，多关系图，图神经网络
问题：少样本图外链路预测问题
方法：图外推网络，归纳推理的节点嵌入网络和转导推理的链接预测网络。

Node Classification on Graphs with Few-Shot Novel Labels via Meta Transformed Network Embedding

问题：少样本新标签图节点分类问题
方法：元变换网络嵌入框架

One Solution is Not All You Need: Few-Shot Extrapolation via Structured MaxEnt RL

方向：强化学习

OOD-MAML: Meta-Learning for Few-Shot Out-of-Distribution Detection and Classification

问题：分布外样本检测与分类
方法：模型无关的元学习的扩展，另外学习合成的假样本。

Restoring Negative Information in Few-Shot Object Detection

方向：目标检测
问题：模拟分类场景时，仅使用图像中某个目标类别的正例，丢弃了该类别的负例。
方法：基于正负表示方法的学习框架和推理模式，恢复了少样本目标检测中的负信息。

Self-Supervised Few-Shot Learning on Point Clouds

方向：点云
方法：自监督预训练

Uncertainty-aware Self-training for Few-shot Text Classification

方向：文本分类
方法：自训练（一种半监督学习方法）