少样本学习（Few-Shot Learning, FSL）是一种机器学习范式，旨在让模型在仅有极少量（通常为1到10个）标注样本的情况下，快速学习并准确执行新任务。
它的核心目标是克服传统深度学习模型对大规模标注数据的依赖，使AI系统能够更像人类一样，通过少量例子就能进行概念迁移和知识泛化。
1. 核心概念与定义
少样本学习的定义通常涉及以下关键要素：
- 任务级别（Task-Level）：学习的对象是任务（Task），而不是单一的类别。模型在训练阶段学习如何学习（Meta-Learning），在测试阶段利用这种学习能力快速适应新任务。
- N-Way K-Shot：常用的实验设置是N类（Way）任务中，每类只提供K个支持样本（Shot）。例如，5-Way 1-Shot 表示模型需要区分5个新类别，而每个类别仅有1个训练样本。
- 支持集与查询集（Support & Query）：在每个任务中，少量样本组成“支持集”用于学习，“查询集”用于评估模型的泛化能力。
2. 主要方法与技术路线
少样本学习的技术实现主要分为以下几类：
2.1 度量学习（Metric Learning）
这是最早期且最经典的方法。模型学习一个嵌入空间（Embedding Space），使得同类样本在空间中更接近，不同类样本更远离。
- 原型网络（Prototypical Networks）：为每个类别计算一个“原型”（原型向量），新样本根据距离最近的原型进行分类。
- 匹配网络（Matching Networks）：利用注意力机制，将新样本与支持集中的样本进行逐点比较。
2.2 模型优化（Meta-Learning）
关注于学习一个能快速适应新任务的优化器或初始化参数。
- MAML（Model-Agnostic Meta-Learning）：学习一个模型的初始化参数，使得模型只需经过极少量的梯度更新（如1-5次）即可适应新任务。
- 基于梯度的优化器学习：学习一个专门的梯度更新规则，而非通用的梯度下降。
2.3 数据增强与生成式方法
通过生成额外的训练数据或增强现有数据来缓解样本不足的问题。
2.4 融合方法与新趋势
随着大模型的兴起，少样本学习逐渐向“提示学习（Prompt Learning）”演进。
- 提示工程（Prompt Engineering）：通过设计少量示例（Few-Shot Prompt）来引导大语言模型或多模态模型完成任务，这是2024-2025年非常主流的少样本方法。
- 跨模态少样本学习：利用语言模型对视觉模型进行指导，实现跨领域的知识迁移。
3. 典型应用场景
少样本学习在许多实际场景中发挥着关键作用，特别是标注成本高昂或数据稀缺的领域：
- 医学诊断：由于患者隐私和病例稀缺，模型需要在极少的病例上学习识别疾病。
- 野生动物监测：识别稀有或濒危物种，往往缺乏大量的图像样本。
- 机器人学习：机器人需要快速适应新环境或新对象，而不必进行大规模的再训练。
- 工业检测：在新产品上线初期，缺乏足够的缺陷样本进行训练。
4. 发展趋势（2024-2026）
进入2025-2026年，少样本学习的研究热点主要集中在以下几个方面：
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！