航识无涯学术致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025深度学习发论文&模型涨点之——小样本机器学习
近年来，小样本学习（Few-Shot Learning）作为机器学习领域的重要分支，致力于解决传统深度学习模型对大规模标注数据的依赖问题。其核心目标是通过极少量样本（如单样本或少量样本）实现对新任务的快速泛化，这一能力在医疗诊断、工业检测、低资源语言处理等实际场景中具有显著价值。
我整理了一些【论文+代码】合集，需要的同学公人人人号【航识无涯学术】发123自取。
论文精选
论文1：
Accurate predictions on small data with a tabular foundation model
在小数据上进行准确预测的表格基础模型
方法
Tabular Prior-data Fitted Network (TabPFN)：提出了一种表格基础模型，通过在数百万个合成数据集上进行训练，能够快速适应小规模表格数据集。
In-context Learning (ICL)：利用上下文学习机制，使模型能够直接在新数据集上进行训练和预测，无需针对每个数据集进行单独训练。
Transformer架构：采用基于Transformer的架构，能够处理表格数据中的行和列结构，提高了模型对表格数据的处理能力。
数据生成和预训练：通过生成大量合成数据集，并在这些数据集上预训练模型，使模型能够学习到广泛的数据特征和关系。
创新点
性能提升：TabPFN在小数据集（最多10,000个样本和500个特征）上显著优于所有先前的方法，平均性能提升超过0.187（ROC AUC）和0.051（RMSE）。
训练时间：TabPFN的训练时间大幅缩短，平均仅需2.8秒，相比传统方法（如CatBoost）在4小时的调优时间下，速度提升超过5,140倍。
泛化能力：TabPFN不仅在分类任务中表现出色，在回归任务中也展现出强大的性能，平均性能提升超过0.093（RMSE）。
数据适应性：通过合成数据预训练，TabPFN能够更好地适应各种表格数据集，包括具有缺失值、不平衡数据和不同特征类型的数据集。
论文2：
Enhancing efficiency of protein language models with minimal wet-lab data through few-shot learning
通过少样本学习用最少的湿实验数据提高蛋白质语言模型的效率
方法
Few-Shot Learning for Protein Fitness Prediction (FSFP)：提出了一种少样本学习策略，结合元迁移学习、学习排序和参数高效微调，优化蛋白质语言模型在极端数据稀缺情况下的性能。
元迁移学习（Meta-Transfer Learning, MTL）：通过在多个相关任务上进行训练，使模型能够快速适应新任务，即使只有少量训练数据。
学习排序（Learning to Rank, LTR）：将蛋白质适应性预测问题转化为排名问题，通过计算排名损失来优化模型。
参数高效微调（Parameter-Efficient Fine-Tuning, LoRA）：通过注入可训练的低秩分解矩阵来限制模型更新，防止过拟合。
创新点
性能提升：FSFP在仅使用20个标记的单点突变的情况下，平均Spearman相关性提升0.1，显著优于无监督和监督基线。
数据效率：FSFP能够在仅有少量标记数据的情况下，显著提高蛋白质语言模型的性能，减少了对大规模湿实验数据的依赖。
泛化能力：FSFP在不同蛋白质语言模型（如ESM-1v、ESM-2和SaProt）上均表现出色，具有良好的泛化能力。
实验验证：通过湿实验验证，FSFP成功提高了Phi29 DNA聚合酶的热稳定性，平均Tm值提高了超过1°C，阳性率提高了25%。
论文3：
Multi-animal 3D social pose estimation, identification and behaviour embedding with a few-shot learning framework
多动物3D社交姿态估计、识别和行为嵌入的少样本学习框架
方法
Social Behavior Atlas (SBeA)：提出了一种少样本学习框架，用于多动物3D姿态估计、身份识别和社交行为分类。
连续遮挡复制粘贴算法（COCA）：通过生成虚拟场景，增加训练数据集的规模，无需大量手动标注。
双向迁移学习：利用多动物分割和单动物识别之间的知识共享，实现零样本标注的多动物身份识别。
行为映射：通过动态行为度量，将动物轨迹分解为不同的行为模块，并将其嵌入低维空间。
创新点
性能提升：SBeA在多动物姿态估计和身份识别任务中，使用较少的手动标注数据（约400帧）即可达到高精度，与传统方法相比，平均误差降低了约2像素。
数据效率：通过COCA算法，SBeA能够在少量标注数据的情况下，生成大量虚拟场景，显著提高了数据利用效率。
泛化能力：SBeA不仅适用于小鼠，还成功应用于鹦鹉和比利时马里努阿犬，展示了其在不同物种和环境中的泛化能力。
行为分析：SBeA能够揭示之前未被发现的社交行为表型，如自闭症模型小鼠的异常社交行为，为神经科学和生态学研究提供了有力工具。
