少镜头学习模型是一种机器学习方法，使模型仅从少量示例中学习。与通常需要大型数据集才能很好地泛化的传统机器学习方法不同，few-shot学习旨在在数据稀缺的情况下训练模型。这种策略在收集训练数据昂贵、耗时或不切实际的应用中特别有用，例如医学图像分析或识别稀有物体。
少镜头学习背后的核心思想是帮助模型利用通常来自相关任务的先验知识，根据最少的新信息做出有根据的猜测。这通常是通过度量学习等技术来实现的，其中模型学习测量示例之间的相似性，或者使用迁移学习，其中在较大的数据集上预先训练的模型用很少的新示例进行微调。例如，考虑一个已经在数千张面孔上训练的面部识别系统。如果你需要系统仅用几个样本图像来识别一个新的个体，那么几个镜头学习模型将通过将它们与已经学习的内容相关联，基于这些最小输入来调整其理解。
实践中很少学习的一个例子是自然语言处理 (NLP)，其中可能需要模型来执行各种任务，例如情感分析或语言翻译，每个任务的示例很少。通过使用元学习等方法，模型可以学习如何学习，提高其快速适应有限数据的新任务的能力。同样，在图像分类中，模型可以在每个类别仅显示少量图像后正确分类新的图像类别，从而使它们在不同任务中高效且通用。