few-shot-learning

遷移學習 / 領域適應 / 領域泛化 / 多任務學習 等相關論文、程式碼、資料集、應用與教學。

22 種提示工程技術，配合實作 Jupyter Notebook 教學，從基礎概念到進階策略，全面運用 LLM。

本仓库包含手工挑选的 Prompt Engineering 资源，重点关注 Generative Pre-trained Transformer (GPT)、ChatGPT、PaLM 等

關於領域適應的精彩集合

總結 Prompt & LLM 論文，開源資料 & 模型，AIGC 應用

使用 Sentence Transformers 進行高效少樣本學習。

FSL-Mate：少樣本學習（FSL）資源收集。

[pip install medmnist] 用於 2D 與 3D 生物醫學影像分類的 18 個標準化資料集

隨取即用的程式碼與教學筆記，助你快速掌握影像分類的少樣本學習。

[TPAMI 2023] LibFewShot：一個用於少樣本學習的綜合函式庫。

關於使用大型語言模型（LLM）進行生成式資訊萃取（IE）的精選論文

LLM 可以針對自己的工作產生回饋，利用回饋改進輸出，並以迭代方式重複此過程。

精選的視覺語言模型（如 CLIP）提示詞／適配器學習方法清單。

「Meta-Transfer Learning for Few-Shot Learning」(CVPR2019) 的 TensorFlow 與 PyTorch 實作

LLM、MLLM 及其他領域的模型合併：方法、理論、應用與機會。ACM Computing Surveys, 2026。

基於可微分凸最佳化的元學習 (CVPR 2019 Oral)