在2024年8月3日至9日，第33届国际人工智能联合会议（IJCAI）在韩国济州岛盛大举行。本次会议汇聚了全球人工智能领域的顶尖学者和专家，共同探讨和分享最新的研究成果。脑机团队2022级研究生叶春锦，有幸参与了这一盛会，并在现场汇报了其在小样本学习领域的突破性研究。

叶春锦的论文《A Density-driven Iterative Prototype Optimization for Transductive Few-shot Learning》，在李景聪副教授的精心指导下完成，该论文不仅在会议上进行了口头汇报，还通过海报形式向与会者展示了其研究成果。在会议期间，叶春锦积极与来自世界各地的学者进行了深入的交流和讨论。

图1 口头学术报告

图2 论文海报

IJCAI作为人工智能领域历史最悠久的学术会议之一，自1969年首次举办以来，一直是该领域内最具影响力的国际会议。2024年的IJCAI共收到5651篇投稿，最终仅有791篇论文被接收，录用率低至14.0%，这一数据充分展示了会议的高学术标准和竞争的激烈程度。

图3 IJCAI2024

论文亮点介绍：

小样本学习（Few-shot Learning, FSL）是当前人工智能领域的热点问题之一，旨在通过少量标注数据训练模型，以期在新的、未见过的样本上也能展现出良好的泛化能力。传统方法通常依赖于构建类别原型并应用最近邻策略进行推理，但这种方法在标注数据有限的情况下，往往难以捕捉到类别的真实特征分布，导致推理准确性受限。

针对这一问题，叶春锦的论文提出了一种创新的原型优化方法，该方法通过探索样本密度与样本质量之间的关系，引入了一种新的原型校正视角。论文中提出的算法沿着样本密度上升的方向，逐步改进原型的质量，有效地提高了模型的泛化能力。此外，论文还提出了一种基于类协方差的新颖估计方法，通过马氏距离缓解了最近邻分类中伪标签不准确的问题。

在小样本图像分类任务中，叶春锦的方法在四个标准基准数据集上进行了广泛的实验验证，并在多种实验设置下，均展现出了超越当前最先进方法的性能，为小样本学习领域的发展贡献了新的视角和解决方案。

图4 论文页面

图5 样本密度与样本质量对模型性能的影响

图6 可视化结果

图7 实验结果1

图8 实验结果2