Few-Shot Learning es una rama del aprendizaje automático que tiene como objetivo desarrollar modelos que puedan generalizar nuevas clases o tareas con muy pocos ejemplos de entrenamiento.
Normalmente, durante el entrenamiento se ven muchas clases con suficientes datos para aprender un buen modelo de representación.
En Few-Shot Learning se espera que el modelo, mediante aprendizaje por transferencia o meta-aprendizaje, se adapte rápidamente a nuevas clases desconocidas con solo unos pocos ejemplos.
Enfoques conocidos utilizan, por ejemplo, redes de prototipos, Matching Networks o Meta-Aprendizaje Agnóstico al Modelo (MAML) para mejorar la capacidad de aprendizaje rápido.
Estos métodos son especialmente útiles en áreas como el reconocimiento de imágenes, el procesamiento del lenguaje o la robótica, donde nuevas categorías suelen aparecer con pocos datos.