之前在做课题的时候，把数据不均衡和小样本的概念混淆了，昨天看了一篇论文：《 面向小样本数据的机器学习方法研究综述 （陈良臣，傅德印）》 ，这篇论文写的非常清晰。推荐阅读。
网上的一些综述整理都是根据《小样本学习研究综述（赵凯琳）》这篇论文：知乎上的一篇笔记

一、论文里的一些概念

1. 小样本学习的概念以及目的？

小样本学习是面向小样本数据的机器学习。目前小样本 学习的研究主要关注如何在缺乏足够样本条件下，仅通过较少 数量的样本就能理解事物的本质特征，避免过拟合并给出泛化 性良好的结果。

2. “小样本”指多少数据？

根据训练样本数量将小样本学习分为３类：只 有一个训练样本，称为单样本学习；不存在目标训练样本，称 为零样本学习；目标训练样本在数十个量级时，称为小样本学 习。很多文献将这３类统称为小样本学习，前两类为特殊情况 。

3. 目前学者们的研究方法？

基于模型微调、基于数据增强、基于度量学习和基于元学习。

二、基于数据增强

因为我之前一直在做GAN算法的学习，所以为了解决小样本问题，重点关注数据增强这一方法。
在论文《 面向小样本数据的机器学习方法研究综述 （陈良臣，傅德印）》中，作者给出了一些引用文献，我把GAN相关的文献全部下载下来（到arxiv、知网、google搜索就能简单找到，所以不放在博客里记录了），并进行一个整理。

1. GAN

文 献[37]提出了生成对抗网络模型 GAN，基于博弈论思想将噪声 分布映射到接近数据的真实分布，对小样本数据进行数据增强。
Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]. In: Advances in Neural Information Processing Systems, 2014,27:2672−2680

2. DAGAN

文献[38]在生成对抗网络基础上，提出了数据增强生成对抗网络 DAGAN，组合 UNet 和 ResNet，通过生成与样本近似分布的增强数据来改善模型质量。 Antoniou A, Storkey A, Edwards H. Data augmentation generative adversarial networks[J]. arXiv preprint arXiv:1711.04340,2017

这篇知乎上的翻译，大致看来是增加局部信息，使生成的样本效果更好。和小样本关系不大。先忽略。另外，码住比较易懂的一篇笔记；翻译1；翻译2。

3. 生成对抗残差成对网络

文献[39]提出了一种生成对抗残差成对网络来处理单样本学习问题。 Mehrotra A, Dukkipati A. Generative adversarial residual pairwise networks for one shot learning[C].preprint arXiv: 1703.08033, 2017.

中文资料较少，融合扩充-双重特征提取应用于小样本学习

4. Meta-GAN

文献[42]提出了一种 Meta-GAN 模型，结合生成对抗网络和分类网络优化，使用产生的数据进行小样本数据增强。 Zhang R, Che T, Ghahramani Z, et al. Metagan: An adversarial approach to few-shot learning[C]. Advances in neural information processing systems, 2018：2365-2374.

简书社区的论文阅读，没有完全看完，只看了前面的一部分，Meta-GAN相当于是一种改进算法，在MAML 、Reaction net基础上添加的，由于这两种基础算法还没有看，所有暂时不考虑使用Meta-GAN做课题。

5. f-VAEGAN-D2

文献[44] 结合变分编码器和 GAN,集成新网络,完成小样本学习分类，并 使得生成样本的特征空间具有可解释性。 Xian Y,Sharma S, Schiele B, et al. f-VAEGAN-D2: A feature generating framework for any-shot learning. In: Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition. 2019. 10275−10284.

csdn的一个博客；知乎上的论文翻译

6. CWGAN

文献[45]利用 CWGAN 生成扩充数据集以提高分类能力和生成样本的多样性。 Chen WJ. Semi-supervised learning study summary. Academic Exchange, 2011,7(16):3887−3889

没看，应该不适用于小样本。

7. f-DAGAN

文献[46] 提出了一种适用于小样本学习的数据增强生成对抗网络 f-DAGAN，使用双重鉴别器来处理生成的数据和生成的特征空间，以更好地学习给定的数据。 Bharat Subedi, V. E. Sathishkumar, V. Maheshwari.
Feature LearningBased Generative Adversarial Network Data Augmentation for Class-Based Few-Shot Learning[J]. Mathematical Problems in Engineering. 2022:1-20.

DAGAN：CSDN上的一个博客；知乎上的一篇，但是写的不详细，但给了代码链接

三、码住其他有用的链接

1.小样本学习研究综述 赵凯琳1,2，靳小龙1,2 , 王元卓1,2 ，这篇论文对四种研究方法都有一定的介绍，另外很贴心的把引用的所有文献的原文链接都放在了下面。