少镜头学习中的原型网络是一种神经网络架构，旨在使模型仅通过少量训练示例即可识别新类。原型网络不是为每个类学习单独的分类器，而是学习基于有限数量的训练样本为每个类生成单个代表点或 “原型”。在训练过程中，模型在特征空间中计算这些原型，其中原型之间的距离反映了类之间的相似性。当提供新的输入时，模型会将输入的特征与每个原型进行比较，并将其分配给最接近的原型，从而使其即使使用最少的数据也可以进行预测。
该架构通常涉及两个主要组件: 特征提取器和距离度量。特征提取器处理输入图像或数据以创建捕获输入的基本特征的嵌入。距离度量，通常是欧几里得距离，计算这些嵌入和原型之间的相似性。例如，在一个图像分类任务中，你只有几个新动物物种的例子，原型网络为每个现有物种创建一个嵌入，然后根据其有限的例子为新物种开发一个原型。当呈现新图像时，网络确定它最接近哪个原型，并相应地对其进行分类。
原型网络在收集大量训练数据不切实际的情况下表现出色。一个示例应用是在医学成像中，其中标记新疾病可能是昂贵或耗时的。使用原型网络，模型可以仅基于少量注释扫描来有效地识别新条件。总体而言，原型网络促进了数据稀缺带来重大挑战的领域的高效学习和适应性。