这里简单介绍各种方案， 想了解具体的内容可以直接翻到最后看相关链接，或搜索其他介绍！
部分内容目前理解较为浅显，有错漏，希望大佬们多多指出，不吝赐教！！
模型层面方法：
https://www.sohu.com/a/305112618_500659
主要分三种：Model Based、Metric Based、Optimization Based
Model Based
主要思想是让模型学到构建特征的方法，从而对于新的类别能有好的效果，且不需重新训练模型
Metric Based
对样本进行组合，构造成对样本，进行模型训练，判断样本是否为相同类。 典型的方法是孪生网络
例如：Neural Snowball for Few-Shot Relation Learning，这篇，就是类似的逻辑
Optimization Based
重定义梯度优化算法，适配小样本任务。保证初始化让finetune从一个好的点开始。
--------------------------------------
这里介绍一篇陈丹琦团队的巨作 LM-BFF
原理
陈丹琦团队最新论文：受GPT-3启发，用小样本学习给语言模型做微调，性能最高提升30%
GPT-3的最强落地方式？陈丹琦提出小样本微调框架LM-BFF，比普通微调提升11%～
我的理解是，类似T5进行模板预测，RoBERTa预测结果。
代码：https://github.com/princeton-nlp/LM-BFF
------------------------------------
其它Tips：
数据增强
回译、近义词替换、Mask生成等
回译：例如中文翻译成英文，再翻译回中文，如果跟原来中文不一致，则补充添加。
Mask生成，利用预训练模型中的mask逻辑，对文本中的token进行掩蔽和预测，如果预测的结果和原始的文本不一致，则补充添加
小样本学习（Few-shot Learning）综述 中提到了NER的数据增强方法有：①同标签token替换 ②同义词替换 ③实体提及替换 ④ mention切分后shuffle
预训练模型
基于预训练模型获取底层的文本语义信息等
弱监督
通过模型预测的结果加入进行训练
模型蒸馏
通过教师模型预测的logits对学生模型蒸馏。不一定是few shot的任务，可能主要还是小模型的提升。另外除了logits蒸馏外，还有中间层， 权重，matrix等蒸馏方案，具体不详细介绍
远程监督
根据已有样本 标记去噪 训练模型， 多用在关系抽取任务上， 尝试过用在NER任务，部分任务有效果，部分效果较差（需要自行分析可行性，比如特征信息较强还是文本信息较强，前者效果可用，后者建议直接数据增强）
远程监督可以不需要标注数据，直接采用已有词典，进行冷启动
迁移学习
领域迁移，需要看任务是否有相关性，有的领域迁移效果不好。 另外预训练模型finetune其实也可以理解为迁移方法。
多任务学习（MTL）
few shot很多地方用到了多任务学习，主要是多个相关任务之间的表征共享，以提高少样本数据在不同类别上的效果。
MTL 有很多形式：联合学习（joint learning）、自主学习（learning to learn）和带有辅助任务的学习（learning with auxiliary task）等