1. zero-shot learning

训练集中没有某个新的类别的样本，但是通过对其他类别样本的学习，还可以提取出这个新类的特征
zero-shot

2. one-shot learning;

每个样本都有少量的样本，通过knowledge graph、domain-knowledge的方法，可以升级小数据集之间的映射

3. few-shot learning;

类似于one-shot
one-shot/few-shot

4. self-training;

是一种半监督学习：利用大量无标签的数据和少量有标签的数据进行模型的训练


方法：

1. 通过有标签的数据训练一个分类器
2. 利用训练好的模型对于无标签的数据进行分类，选出最有把握的样本，将其加入到有标签的数据集中
3. 在更新的有标签的数据集中重复（2）的步骤，直到所有无标签的数据都被标注完。

5. contrastive learning

是一种自监督学习：不需要标签的数据，直接使用无标签的数据来学习样本数据的特征表示。


主要有两种方法：

1. Generative Methods：
   生成+重构：将数据集生成特征，然后再将特征重构还原成数据，如果还原的数据集效果较好，则提取的特征收获了很好的效果，GAN的思想也是这样
2. Contrastive Methods：不关注细节特征，比较好优化
   将数据集划分成正例样本和负例样本进行对比学习，来学习样本的特征表示。

contrastive learning相关进展梳理

6. life-long learning/continual learning

将之前任务的经验用上，使得能够更好的学习当前的任务 —> 主要解决的是灾难性遗忘的问题
life-long learning/continual learning详细解答