零样本学习 (ZSL) 和少样本学习 (FSL) 是机器学习中的两种方法，旨在通过最少的标记示例来识别或分类新的数据类别。在零射学习中，模型是在一组类上训练的，然后期望根据辅助信息 (例如这些类的属性或描述) 泛化为完全看不见的类。例如，如果一个模型学会识别像猫和狗这样的动物，它可能会被要求识别一匹马，如果它知道像 “有四条腿，鬃毛和蹄” 这样的语义特征，即使它从未在训练数据中见过一匹马。
另一方面，少镜头学习涉及训练模型以识别或分类新类别，每个类别只有几个标记的示例。而不是仅仅依赖于描述性属性，少数镜头系统从少量的训练样本中学习。例如，如果您提供的模型只有五只狐狸的图像，那么它应该能够正确地对狐狸的新图像进行分类。这种方法通常采用度量学习等技术，其中模型通过比较特征来学习区分类别，而不是需要大量数据进行训练。
尽管这两种方法都旨在解决标记数据的稀缺性，但它们在基本方法上有所不同。零样本学习需要通过辅助数据理解类之间的关系，并且在训练期间不使用目标类的任何示例。相比之下，少镜头学习为每个新类使用有限数量的示例来提高性能。这两种技术在获得大型数据集具有挑战性的现实世界应用中都是有价值的，例如在医学成像或野生动物监测中，标记数据可能很少。