少镜头学习中基于相似性的方法侧重于将新实例与来自已知类的少量示例进行比较，以做出有关对新实例进行分类的决策。这种方法不需要大型数据集来训练传统模型，而是利用相似性的概念来识别模式。通常，训练模型以从输入数据中提取特征，然后将这些特征与少数可用示例中的特征进行比较。这个想法是，如果一个新的样本类似于这几个例子，它可以被分配到相应的类。
例如，考虑在图像分类中要识别猫品种的场景。在几张照片的上下文中，您可能只有每个品种的几张图像。基于相似性的模型将计算新图像的特征与少数可用品种图像的特征的接近程度。它可能使用欧几里德距离或余弦相似性等度量来评估特征表示的相似程度。如果与波斯品种的图像相比，新图像与暹罗品种的图像更相似，则模型可以将其分类为暹罗猫。
基于相似性的方法的一种常见实现是通过使用诸如原型网络之类的技术。在这里，模型根据提供的几个示例为每个类创建一个原型。在推理过程中，模型计算原型表示和新实例之间的距离，以确定其类标签。这使得基于相似性的方法既直观又高效，特别是在训练数据有限的情况下，允许开发人员开发即使信息最少也具有适应性和有效性的应用程序。