少样本学习是指一种机器学习方法，其中模型在每个类的有限数量的示例上进行训练，通常只有几个实例。主要目标是使模型能够从这些稀疏数据点很好地泛化，以对看不见的数据进行准确的预测。有几种常见的少镜头学习方法，主要包括度量学习，基于模型的方法和元学习。
度量学习侧重于学习相似性函数，该函数可以基于少量示例在类别之间进行区分。在这种方法中，模型被训练为将输入数据嵌入到高维空间中，其中相似的项目更靠近在一起。一个流行的例子是Siamese网络，它由两个相同的子网络组成，处理输入以确定它们的相似性。通过使用对比损失等技术，该模型可以学习区分相似和不相似的对，从而可以根据有限的数据对新类进行预测。
另一方面，基于模型的方法涉及创建可以快速适应新类的特定体系结构。这方面的一个示例是原型网络方法，其中通过平均训练示例的特征表示来为每个类形成原型。在测试过程中，将新示例与这些原型进行比较，并根据特征空间中最接近的原型进行预测。此外，还有一些混合方法将这些方法结合起来，利用度量和基于模型的方法的优势，以很少的训练样本来提高任务的性能。