少镜头学习和零镜头学习是两种旨在提高机器学习模型在面对有限数据时的性能的方法。它们之间的主要区别在于模型在进行预测之前对特定任务或类的经验量。在少镜头学习中，模型是在需要识别的每个类别的少量示例 (或 “镜头”) 上训练的。例如，如果一个模型的任务是识别不同种类的鸟类，它可能只给出每个鸟类种类的几个图像 (比如5个) 来学习。当为每个类别收集大型数据集是不切实际或昂贵的时，此方法特别有用。
相反，零射学习采用了一种不同的方法，允许模型对训练期间从未遇到过的类进行预测。该模型依赖于相关类的知识转移或辅助信息的使用，而不是提供来自目标类的示例。例如，如果一个模型已经过识别不同动物的训练，但从未见过 “斑马”，它仍然可以根据对 “条纹动物” 或 “马” 的理解对其进行正确分类。在这种情况下，该模型利用了关于斑马概念的语义信息，而没有任何直接的训练示例。
两种学习范式都解决了有限标记数据的挑战，但以不同的方式实现。Few-shot学习通过最小的数据集提高了模型的准确性，而zero-shot学习将模型的功能扩展到新的、未开发的类别。开发人员可以根据培训数据的可用性及其应用程序的特定要求在这些技术之间进行选择。例如，少镜头学习在具有相似但不同类别的情况下可能更有效，而零镜头学习在频繁出现新类别的动态环境中可能是有利的。