1. 小样本学习
(1) 定义
小样本学习（Few-shot Learning, FSL）是一种机器学习方法，旨在通过极少量的标注样本（通常是 1 到 10 个）完成新任务的学习。与传统机器学习需要大量标注数据不同，小样本学习通过利用先验知识或预训练模型的能力，在数据稀缺的情况下实现高效学习。
(2) 核心功能
- 快速适应新任务：在仅有少量样本的情况下，模型能够快速学习并完成新任务。
- 减少标注成本：降低对大规模标注数据的依赖，适用于数据获取困难的场景。
- 知识迁移：通过从已有任务中学习的知识，帮助模型在新任务中表现更好。
(3) 背景
小样本学习的灵感来源于人类的学习能力：人类可以通过少量的例子快速掌握新技能或知识，而传统机器学习模型通常需要大量数据才能达到类似的效果。
2. 技术要素
(1) 先验知识的利用
- 预训练模型：通过在大规模数据上预训练模型，学习通用的特征表示。
- 元学习（Meta-learning）：通过学习如何学习，提取跨任务的知识，帮助模型快速适应新任务。
(2) 特征表示
- 嵌入空间（Embedding Space）：将数据映射到一个低维空间，使得相似样本在空间中更接近。
- 对比学习（Contrastive Learning）：通过学习样本之间的相似性和差异性，增强特征表示能力。
(3) 数据增强
- 样本生成：通过生成对抗网络（GAN）或数据增强技术，扩充小样本数据集。
- 特征增强：通过插值或扰动现有样本的特征，生成新的特征表示。
(4) 模型架构
- 基于度量的模型：如原型网络（Prototypical Networks），通