零样本学习 (ZSL) 和少样本学习 (FSL) 都是旨在解决标记训练数据稀缺场景的技术，但它们在如何利用可用信息方面有所不同。 ZSL 旨在处理在训练期间没有为目标类提供标记示例的任务。 相反，它依赖于辅助信息——例如文本描述、语义属性或类之间的关系——来推广到未见过的类别。 例如，一个训练来识别动物的 ZSL 模型可能会推断出“斑马”有条纹和四条腿，即使它在训练期间从未明确显示斑马图像。 相比之下，FSL 使用少量标记示例（例如，5-20 个实例）来适应新任务。 例如，一个少样本图像分类器可能会在看到每个物种仅三个标记图像后，学会区分五个新的鸟类物种。
关键区别在于监督的数量和泛化机制。 ZSL 需要关于类如何相互关联的先验知识，通常通过元数据或预训练的嵌入。 这使得它在无法收集标记数据的情况下非常有用，例如对没有可用患者图像的罕见医疗状况进行分类。 另一方面，FSL 假设可以访问最少的标记数据，并侧重于从这些示例中有效提取模式。 一种常见的 FSL 方法涉及元学习，其中模型在许多任务上进行预训练，以便在数据有限的情况下快速适应新任务。 例如，在少量客户支持电子邮件上进行微调的语言模型可以学习对新电子邮件进行分类，而无需进行大量的重新训练。 尽管存在差异，ZSL 和 FSL 可以重叠：零样本模型可能会使用一些示例来细化其预测，从而融合两种方法。
在 ZSL 和 FSL 之间进行选择取决于问题约束。 当目标类的标记数据完全不可用但存在语义或关系数据时，ZSL 是理想的选择。 当可以整理一个小型数据集（即使是不完善的数据集）时，FSL 更适合。 在实践中，开发人员通常会组合使用这些方法。 例如，像 CLIP 这样的预训练视觉-语言模型可以通过将图像与文本描述进行匹配来执行零样本图像分类，也可以通过少量示例进行微调以提高准确性。 两种方法都优先考虑高效的泛化，但 ZSL 强调外部知识，而 FSL 侧重于最大限度地利用有限的标记数据。 了解它们的权衡有助于开发人员设计适应现实世界数据稀缺性的系统。