少镜头学习是一种机器学习，旨在仅使用少量训练数据有效地训练模型。与需要大型数据集进行训练的传统方法不同，少镜头学习允许模型仅从几个示例中学习新任务。在获取大型数据集困难、昂贵或耗时的情况下，此功能特别有用。少镜头学习通常用于图像识别，自然语言处理以及数据稀缺是问题的其他领域。
少镜头学习的主要目标是使模型能够从有限数量的示例中概括出来。有几种技术可以实现这一点，包括度量学习，其中模型学习测量示例之间的相似性，以及元学习，其中模型在各种任务上进行训练，以更好地理解如何快速学习新任务。例如，在少数镜头图像分类场景中，模型可能会在数千个动物类上进行训练，然后在只有五个标记图像的新动物物种上进行测试。如果模型已经从原始类中学习了有效的特征，它应该能够根据这几个例子识别新物种的新实例。
实施少量学习通常涉及使用数据增强等策略，通过修改可用的几个示例来人为地增加训练数据量。此外，可以利用转移学习，其中在大数据集上预训练的模型在感兴趣的较小数据集上进行微调。通过应用这些策略，开发人员可以创建更强大的模型，即使在可用于训练的数据有限的情况下也能很好地执行。这使得少镜头学习对于个性化推荐或专业医疗诊断等实际应用特别有吸引力，在这些应用中，收集大量数据通常是不切实际的。