想不到吧，小样本机器学习能发Nature正刊！

与传统机器学习需要大量标注数据不同，小样本机器学习主要专注于，如何利用少量数据进行有效学习，尤其适用于那些标注数据稀缺的场景。

因此，其在医学影像、工业异常检测、图像分类和分割等任务中，备受青睐。且其由于是新兴方向，应用场景又多样，目前比较还好出创新。比如模型TabPFN，便通过该方法，在表格处理任务中实现了精度、速度的双飙升，登上Nature正刊！

为让大家能够紧跟领域前沿，掌握领域的主流研究方法，我给大家准备了12种创新思路，原文和源码都有。主要涉及：与数据增强和GAN结合、渐进式小样本机器学习、小样本类别增量学习……

论文原文+开源代码需要的同学看文末

Few‑shot concealed object detection in sub‑THz security images using improved pseudo‑annotations

内容：本文提出了一种改进的少样本（Few-shot）隐藏目标检测方法，专门针对太赫兹（sub-THz）安全成像中的隐藏物体检测。研究中引入了自适应上下文感知注意力网络（ACAN）和动态自适应卷积块（DACB），并将其集成到YOLOv8检测框架中，形成了改进的Adaptation-YOLO网络。ACAN通过空间和通道注意力模块建模全局上下文关联，增强对隐藏目标的特征捕捉能力。DACB则通过自适应调整卷积滤波器参数和动态引导掩码，有效抑制背景噪声干扰，提高检测精度。实验结果表明，Adaptation-YOLO在主动太赫兹图像数据集上表现出色，显著提升了检测效率和准确性。

Accurate predictions on small data with a tabular foundation model

内容：本文提出一种用于小数据集上的准确预测。TabPFN基于Transformer架构，通过在数百万个合成数据集上进行预训练，能够在仅需2.8秒内完成对最多10,000个样本、500个特征的表格数据的预测，性能显著优于经过4小时调参的传统方法。 该模型的核心创新在于其上下文学习（In-Context Learning, ICL）机制，能够自动学习解决表格数据预测任务的通用算法，无需针对每个数据集单独训练或进行大量超参数调优。此外，TabPFN还具备数据生成、密度估计等基础模型特性，能够生成新的表格数据样本，用于数据增强或隐私保护。

Towards Robust Few-shot Class Incremental Learning in Audio Classification using Contrastive

内容：本文提出了一种用于音频分类的少样本类增量学习框架，旨在解决音频数据动态扩展时的增量学习问题。研究的核心是通过引入监督对比学习来优化基础会话（base session）的特征表示，增强类内紧凑性和类间分离度，从而为新类别的无缝融入提供更好的空间结构。此外，该方法还采用了随机分类器动态生成分类原型，以适应新类别的加入并避免过拟合。

FEW-SHOT IMAGE CLASSIFICATION BASED ON GRADUAL MACHINE LEARNING

内容：本文提出了一种基于渐进式机器学习的少样本图像分类方法。该方法通过迭代因子图推理，逐步对未标记图像进行分类，解决了传统深度学习方法在少样本场景下知识迁移能力有限的问题。研究利用深度神经网络提取图像特征，并构建基于类别中心距离（CCD）和最近邻关系（KNN）的单因素和双因素模型，以支持渐进学习。实验表明，该方法在多个基准数据集上显著优于现有的少样本分类方法，准确率提升1-5%，并且在查询集规模增加时表现出更强的鲁棒性。

码字不易，欢迎大家点赞评论收藏！

关注下方《AI科研技术派》

回复【小样本机器】获取完整论文

👇