One-Shot Learning
One-Shot Learning（单样本学习）是一种机器学习范式，旨在让模型仅通过一个或极少量训练样本就能识别和分类新类别，大幅降低传统深度学习对大规模标注数据的依赖。
一句话解释
One-Shot Learning是指机器学习模型在只看到一个类别的一个样本后，就能在测试时正确识别该类别的新实例。它模拟了人类“见一次就记住”的快速学习能力。
为什么会被关注
传统深度学习需要成千上万标注样本才能训练出可靠模型，但在医疗影像、安全监控等场景中，获取大量标注数据成本极高甚至不可能。One-Shot Learning使AI能在数据稀缺时仍发挥作用，直接降低应用门槛。
此外，它推动了AI从“大数据驱动”向“小样本适应”的范式转变，让人工智能更接近人类灵活的学习方式，因此在工业界和学术界都备受关注。
核心逻辑
One-Shot Learning通常不直接学习类别间的绝对特征边界，而是通过度量学习或元学习来构建一个相似度比较空间。模型学习的是“如何比较两个样本是否属于同一类别”，而非记忆每个类别的具体特征。
常用方法包括孪生网络（Siamese Network）和匹配网络（Matching Network），它们通过对比同一类别样本对和不同类别样本对来训练一个相似度度量器。测试时，输入新样本与支持集中的唯一样本计算相似度，若超过阈值则识别为同一类。
常见场景
人脸验证系统是One-Shot Learning最典型的应用——员工只需注册一张照片，后续即可通过摄像头快速比对识别身份。类似场景还包括声纹识别、指纹解锁等生物特征认证。
在工业质检中，针对新型缺陷或稀有故障，可以用少量正常与缺陷样本训练模型，实现少样本缺陷检测。医疗领域则利用One-Shot Learning在罕见病影像上辅助诊断，无需收集大量病例。
容易混淆的点
One-Shot Learning常与Few-Shot Learning、Zero-Shot Learning混淆。区别在于支持样本数量：One-Shot每类仅1个样本，Few-Shot每类有2～5个样本，Zero-Shot则在训练时完全不提供目标类别样本，而是借助语义描述。
另一点是它并不等同于“数据增强”或“小样本学习”的简单加总。One-Shot Learning更强调度量或元学习机制，而非单纯靠生成更多伪数据。它的核心挑战在于如何有效泛化到从未见过的类别，而不是仅仅过拟合少量样本。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词少样本学习是一种让模型仅通过少量标注样本就能掌握新概念或完成新任务的机器学习方法，大幅降低了对海量标注数据的依赖，特别适合数据稀缺或快速迭代的场景。
零样本学习（Zero-Shot Learning）是一种机器学习范式，模型通过训练时见过的类别与未见过类别之间的语义关联（如属性、描述文本），实现对新类别的识别，无需任何该类的训练样本。它突破了传统监督学习需要大量标注数据的限制，在开放世界场景中具有重要价值。