Few-Shot Learning — это область машинного обучения, которая направлена на разработку моделей, способных обобщать новые классы или задачи с очень небольшим количеством обучающих примеров.
Обычно во время обучения рассматриваются многие классы с достаточным количеством данных для обучения хорошей модели представления.
В Few-Shot Learning ожидается, что модель с помощью трансферного обучения или мета-обучения быстро адаптируется к новым, ранее неизвестным классам всего с несколькими примерами.
Известные подходы используют, например, прототипные сети, Matching Networks или Model-Agnostic Meta-Learning (MAML), чтобы улучшить способность к быстрому обучению.
Эти методы особенно полезны в таких областях, как распознавание изображений, обработка речи или робототехника, где новые категории часто появляются с небольшим количеством данных.