少样本学习中的基于相似度的方法是一种模型通过将新数据与少量带标签的示例进行比较来分类，而不是依赖大量训练数据的方法。其核心思想是学习一个衡量两个数据点相似度的函数，然后使用此函数将未见过的新输入与支持集（少量带标签的数据集）中最相关的示例进行匹配。这种方法在带标签数据稀缺的场景中效果很好，因为它避免了为每个新任务从头训练模型的需要。
在技术层面，这些方法通常包括两个阶段。首先，模型学习一个嵌入空间，在该空间中，相似的数据点聚集得更近，不相似的数据点则距离更远。例如，在图像分类中，模型可能将图像映射到向量，使得同一动物（例如猫）的图片在此空间中彼此靠近。在推理过程中，模型使用余弦相似度或欧氏距离等指标计算未标注输入与支持集中每个示例之间的相似度。然后将最相似支持示例的类别分配给该输入。原型网络（Prototypical Networks）等方法更进一步，通过计算支持集中每个类别的“原型”（平均嵌入）并将输入与这些原型进行比较，从而提高了效率。
一个实际的例子是使用 Siamese Network 进行签名验证。该网络在成对的签名上进行训练，学习对真实签名对输出高相似度得分，对伪造签名输出低相似度得分。在少样本设置中，给定一个要验证的新签名，模型会将其与一小组参考签名（例如五个示例）进行比较并计算相似度得分。最高得分决定了签名是否是真实的。这种方法非常高效，因为模型无需为新用户重新训练——它通过利用相似度比较来进行泛化。对于开发人员，PyTorch 或 TensorFlow 等框架提供了实现这些模型的工具，通常使用预训练的编码器生成嵌入，并使用自定义损失函数（例如三元组损失）来优化相似度指标。