Few-shot Learning

释义 Definition

Few-shot learning（少样本学习）：一种机器学习方法，指模型在只有很少标注样本（例如每类只有 1–10 个例子）的情况下，仍能学会识别、分类或完成任务。常见于计算机视觉、自然语言处理与提示词（prompting）场景。该术语还有相关形式如 one-shot（一次样本）与 zero-shot（零样本）。

发音 Pronunciation (IPA)

/ˌfjuː ʃɑːt ˈlɝːnɪŋ/

例句 Examples

Few-shot learning helps a model recognize new categories with only a few examples.
少样本学习可以让模型只用少量例子就识别新的类别。

In real-world applications, few-shot learning is valuable because collecting labeled data can be expensive, slow, or ethically sensitive.
在真实应用中，少样本学习很有价值，因为收集标注数据可能成本高、耗时长，或涉及伦理敏感问题。

词源 Etymology

Few-shot 来自英语中 “few（少量）+ shot（一次尝试/一次机会）” 的组合；在机器学习语境里，shot 常被借用来表示“给模型看的一个训练示例/一次示范”。Learning 指“学习/训练过程”。合起来强调“用很少示例完成学习”。

相关词 Related Words

• One-shot
• Zero-shot
• Meta-learning
• Transfer
• Fine-tuning
• Prompting
• Few-shot
• Generalization

文学与作品 Literary Works

• Language Models are Few-Shot Learners（Brown et al., 2020）——在大型语言模型研究中系统讨论并推广了 “few-shot learning” 的用法。
• *Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks (MAML)*（Finn et al., 2017）——元学习经典论文，与少样本学习密切相关。
• Prototypical Networks for Few-shot Learning（Snell et al., 2017）——少样本分类的重要方法之一。
• Matching Networks for One Shot Learning（Vinyals et al., 2016）——早期相关代表作，推动了 one-shot / few-shot 研究体系。