少样本学习模型是一种机器学习方法，旨在仅在少量训练示例可用时做出准确的预测或分类。与传统的监督学习通常需要每个类别数千个标记示例不同，少样本学习侧重于从非常有限的数据（通常每个类别只有一到五个示例）中进行泛化。这使其在收集大型数据集不切实际的情况下特别有用，例如罕见的医疗状况、小众产品类别或自定义用户特定任务。核心思想是训练模型识别可以应用于新、未见任务的模式或关系，而无需最少的额外数据。
少样本学习通常依赖于元学习等技术，其中模型在其初始训练阶段接受各种相关任务的训练。例如，模型可以通过在许多小型分类任务（例如，区分猫和狗，然后区分鸟类和鱼类）上进行练习来学习对不同类型的动物进行分类。这种“学习如何学习”的过程有助于模型开发快速适应具有有限示例的新任务的策略。原型网络或与模型无关的元学习 (MAML) 等架构很常见：原型网络为每个类创建一个具有代表性的“原型”（例如，示例嵌入的平均值），而 MAML 优化模型参数以便通过对新数据进行少量梯度步长即可轻松微调。这些方法使模型能够将新示例与有限的支持数据（提供的少量示例）进行比较以进行预测。
实际应用包括自定义类别的图像识别（例如，通过五张照片将新产品添加到零售系统）、低资源语言翻译或个性化用户界面。但是，挑战依然存在。模型的性能在很大程度上取决于初始训练任务的质量和多样性以及所提供的少量示例的代表性。例如，如果医疗诊断模型在各种 X 射线数据集上进行训练，但针对新疾病提供了低质量的支持图像，则其预测可能不可靠。实施少样本学习的开发人员必须仔细设计训练管道、平衡任务多样性并验证支持数据的相关性。PyTorch 的 Torchmeta 或 TensorFlow 的 Few-Shot Learning 库等工具提供了试验这些技术的框架，但成功通常取决于特定领域的调整。