汇报内容：

《Reallocating and Evolving General Knowledge for Few-Shot Learning》。本文提出了模仿人类"注意力分配"认知机制的新框架：REGK。首先利用表示知识蒸馏和掩码调优，从CLIP中筛选出与任务相关的通用知识参数，通过渐进式稀疏训练继承CLIP的强表征能力；在固定参数稀疏度的条件下，通过任务驱动微调进一步优化掩码矩阵，学习小样本任务特有的知识。在保持CLIP架构不变的前提下，实现通用知识的定向迁移和新任务知识的高效挖掘，有效缓解小样本场景下的过拟合问题。