Few-Shot Learning 少样本学习

一句话解释

Few-Shot Learning（少样本学习）是指机器学习模型在每个新类别只有极少（通常1到5个）标注样本的情况下，依然能正确识别或完成任务的学习方法。它模拟了人类快速学习新事物的能力，例如儿童看过一两次猫就能认出猫。

为什么会被关注

传统深度学习依赖海量标注数据，但在医疗、工业、个性化推荐等场景中，获取标注样本成本极高甚至不可能。少样本学习能大幅降低数据门槛，让AI在冷启动、长尾识别、快速迭代等场景中落地成为可能。

此外，模型面对频繁出现的新类别（如电商新品、新病毒变种）时，无需重新训练整个模型，只需少量新样本即可适应，显著提升部署效率和灵活性。

核心逻辑

少样本学习的核心思路是“学会学习”。典型方法包括元学习（Meta-Learning），让模型在大量类似的“小样本任务”上训练，学会快速调整参数或学习策略，从而在面对新任务时仅需几步梯度更新就能泛化。

另一种常见方法是基于度量学习（Metric Learning），模型学习一个嵌入空间，同类样本靠近、异类远离，新类别只需将少量样本映射到该空间，通过最近邻等方式分类。此外，数据增强、生成模型等方法也被用于扩展少量样本。

常见场景

医疗影像诊断中，罕见病往往只有几张X光片，少样本学习能辅助医生快速识别；电商平台中，新品上架后仅需几张照片就能建立识别模型，实现以图搜图或违规检测。

机器人视觉中，展示一两次新物体即可完成抓取；自然语言处理中，用几个对话示例即可让客服机器人理解新意图。这些场景的共同特点：标注数据稀缺且新类别频繁出现。

容易混淆的点

许多人将少样本学习与迁移学习混淆。迁移学习是从源任务学习通用特征后微调，仍需要较多目标域样本；少样本学习专门针对每类仅1-5个样本的极端情况，并通常包含任务级训练策略。

零样本学习（Zero-Shot Learning）则完全不提供新类样本，依赖语义描述等辅助信息；小样本学习（Few-Shot Learning）往往是零样本的扩展。此外，简单的数据增强+标准模型微调并不等同于少样本学习，其泛化能力通常弱于专用方法。