Few-shot learning是一种模型学习仅使用少量训练示例执行任务的技术。与需要大型数据集的传统机器学习方法不同,少镜头学习侧重于从有限的样本集中进行概括。这种方法的关键是利用先前的知识或从相关任务中学到的表示。这使模型能够以最少的数据进行预测或理解新类。
少镜头学习中的一种常见方法是使用元学习框架,其中模型在各种任务上进行训练。在此过程中,模型不仅学习解决特定问题,而且还可以根据一些示例快速适应新问题。例如,假设一个模型是用动物的图像训练的: 它可以学习一般特征,如形状和颜色。当呈现一些新动物的图像时,它可以识别模式,并根据从以前的任务中学到的特征对该动物的类别进行有根据的猜测。
另一种方法是使用嵌入,它将输入数据映射到向量空间,其中相似的项目更靠近在一起。当提供新类的几个示例时,模型可以将这些与嵌入空间中的现有表示进行比较。例如,如果模型以前见过多种类型的水果,则仅接收新水果的几张图像就可以识别其与已知水果的相似性。最终,少镜头学习模型利用其从相关经验中概括的能力,以最少的数据输入简化学习新任务的过程。