少样本学习是一种机器学习方法，模型通过非常有限的标记示例进行训练，从而做出准确的预测或分类。与需要大型数据集的传统深度学习方法不同，少样本学习侧重于只有少量样本（通常每个类别只有一到五个）可用于训练的场景。 这在收集或标记数据成本高昂、耗时或不切实际的领域尤其有用。 核心思想是使模型能够通过利用从相关任务中学到的先验知识或模式，从最少的信息中有效地进行泛化。
少样本学习中的一种常见技术是元学习，其中模型在各种任务上进行训练，以学习一种使用有限数据快速适应新任务的策略。 例如，模型可能会在数千个图像分类任务上进行训练，每个任务都具有一小部分类别和样本。 随着时间的推移，它学会提取特征或调整参数，从而可以针对新类别快速进行微调。 另一种方法是迁移学习，其中在大型数据集（例如，ImageNet）上预训练的模型在小型目标数据集上进行微调。 例如，通过仅重新训练最终分类层，同时保持较早的层固定，可以使预训练的视觉模型适应识别每种物种仅使用五个图像的稀有动物物种。
少样本学习在医学成像（用少量扫描诊断罕见疾病）、自然语言处理（用有限的文本适应新语言）或机器人技术（从最少的演示中学习任务）等领域具有实际应用。 但是，仍然存在挑战。 如果少数示例不能代表更广泛的类，或者如果基础任务与预训练数据有很大不同，则模型可能会遇到困难。 诸如数据增强、基于度量的学习（例如， Siamese 网络）或利用合成数据等技术可以帮助缓解这些问题。 虽然不能替代大规模训练，但少样本学习为数据稀缺是一个瓶颈的场景提供了实用的解决方案。