Few-Shot Learning ist ein Teilbereich des maschinellen Lernens, der darauf abzielt, Modelle zu entwickeln, die neue Klassen oder Aufgaben mit sehr wenigen Trainingsbeispielen generalisieren können.
Typischerweise werden während des Trainings viele Klassen mit ausreichend Daten gesehen, um ein gutes Repräsentationsmodell zu lernen.
Beim Few-Shot Learning wird dann erwartet, dass das Modell mittels Transferlernen oder Meta-Lernen schnell auf neue, bisher unbekannte Klassen mit nur wenigen Beispielen adaptiert.
Bekannte Ansätze nutzen beispielsweise Prototypen-Netzwerke, Matching Networks oder Model-Agnostic Meta-Learning (MAML), um die Fähigkeit zum schnellen Lernen zu verbessern.
Diese Methoden sind besonders nützlich in Bereichen wie Bilderkennung, Sprachverarbeitung oder Robotik, wo neue Kategorien oft mit wenig Daten auftauchen.