1.Prototypical Networks for Few-shot Learning

2.Transferrable Prototypical Networks for Unsupervised Domain Adaptation

motivation:

design:

相较于域级别而言，类级别的MMD更加地细粒度(fine-grained更细致)。

motivation:

design:

不同于单独匹配不同域之间的每个类的prototype，task-specific adaptation同时匹配所有类的prototypes。力求每个样本的类分布的score distributions相似.

Optimization:
源域上的监督学习

Training Procedure:

推理阶段(测试阶段)：

3.Distant Supervised Centroid Shift: A Sample and Efficient Approach to Visual Domain Adaptation

问题定义：

Method：

(1) 类内散度最小化(Source Domain)：

类内散度最小化(Target Domain)：

目标域不存在标签，采用最近邻中心的分类器，同时force Target类中心和对应的Source类中心靠近。
就是把Source类中心加上一个偏移量视为Target类中心，同时最小化此偏移量。
总体目标如下：

relaxed trace-ratio objective：

Optimization(具体流程)：
利用GEVD求解：

这里需要再看看

4. Adaptive Cross-Modal Few-shot Learning

背景知识：

第一篇写了，这里就不赘述了。

motivation:

方法Formulation：