Le Few-Shot Learning est une sous-discipline de l'apprentissage automatique qui vise à développer des modèles capables de généraliser de nouvelles classes ou tâches avec très peu d'exemples d'entraînement.
Typiquement, de nombreuses classes avec suffisamment de données sont vues pendant l'entraînement afin d'apprendre un bon modèle de représentation.
En Few-Shot Learning, on attend alors que le modèle s'adapte rapidement à de nouvelles classes inconnues jusqu'alors avec seulement quelques exemples, via l'apprentissage par transfert ou l'apprentissage méta.
Des approches connues utilisent par exemple des réseaux de prototypes, des réseaux de correspondance ou le Model-Agnostic Meta-Learning (MAML) pour améliorer la capacité d'apprentissage rapide.
Ces méthodes sont particulièrement utiles dans des domaines tels que la reconnaissance d'images, le traitement du langage ou la robotique, où de nouvelles catégories apparaissent souvent avec peu de données.