少样本学习通过使模型能够从代表性不足的类别中非常少的例子中有效地学习，从而解决类别不平衡问题。在传统的机器学习中，类别不平衡通常导致模型偏向多数类别，因为它们主导训练数据。 少样本方法通过关注模型从最少数据中泛化的能力来缓解这种情况，这对于稀有类别尤其有用。 这些方法不是依赖于大量的标记数据，而是使用来自相关任务或领域的先验知识来进行预测，从而减少对平衡数据集的依赖。 例如，一个经过训练可以识别汽车或猫等常见物体的模型可以适应识别仅有少量例子的稀有物种，从而避免了为每个类别收集大量数据的需要。
少样本学习中的一个关键机制是在多样化的数据集上进行预训练，然后在目标任务上进行微调。 模型首先在大型、平衡的数据集上进行训练，以学习一般特征（例如，图像中的形状、纹理），然后在适应新类别时重复使用这些特征。 这使得模型能够利用现有的知识来弥补代表性不足的类别中缺失的数据。 例如，在大量 X 光片上预先训练的医学成像模型可以仅用五个带注释的例子快速学习检测罕见疾病，因为它已经了解了解剖结构。 此外，模型无关的元学习 (MAML) 等元学习技术训练模型快速调整新任务的参数，使其对不平衡场景具有鲁棒性。 这些方法模拟“学习学习”，确保模型可以在部署期间处理不均匀的类别分布。
实际应用突出了少样本学习如何减少对数据量的依赖。 在欺诈检测中，欺诈交易很少见，因此在正常交易和一些欺诈示例上预先训练的模型可以识别模式，而无需数千个标记的欺诈案例。 同样，在自然语言处理中，在常用对话上训练的聊天机器人可以通过最少的示例来适应利基用户查询。 通过专注于可转移特征和高效适应，少样本学习避免了通过过度采样或合成数据生成来平衡数据集的计算和后勤挑战。 这使其成为开发人员处理不平衡很常见且收集更多样本不切实际的真实世界数据的实用工具。