本次查询：小样本学习
中文解释：小样本学习
常见场景：当标注数据稀缺或获取成本极高时 / 例如医疗影像诊断 / 罕见故障识别 / 个性化推荐冷启动 / 小众语言翻译
一句话解释
小样本学习是一种让AI模型仅需极少量示例（如几个样本）就能学会新任务或识别新类别的技术，核心目标是提升模型的数据利用效率和泛化能力。
为什么会被关注
现实世界中，大量任务难以获取充足标注数据（如罕见疾病诊断、定制化需求）。传统深度学习依赖大数据，成本高、周期长。小样本学习能降低AI应用门槛，快速适应新领域，是推动AI落地到数据稀缺场景的关键技术，尤其在个性化服务、工业制造、科学研究中价值凸显。
核心逻辑
其核心在于“先验知识迁移”和“任务快速适配”。模型首先在大量相关任务或数据上进行预训练，获得通用的特征提取与关系推理能力（先验）。面对新任务时，模型利用这些先验知识，仅通过分析少量支持集样本，就能快速调整决策边界或生成适配新任务的参数，本质上是对已学知识的高效重组与应用。
常见场景
1. 医疗影像：针对罕见病，医生只能提供少量确诊影像，模型需据此学会诊断。
2. 工业质检：生产线出现从未见过的新型缺陷，仅有的几个缺陷样本需被快速学习识别。
3. 个性化推荐：为新用户或冷门商品提供推荐，初始交互数据极少。
4. 机器人指令：用少量演示教机器人完成新家务动作。
5. 自然语言处理：快速适应新的文本分类意图或小众领域语言风格。
容易混淆的点
与零样本学习的区别：零样本学习完全无需新任务示例，依赖属性描述等外部知识进行推理；小样本学习仍需少量示例。与迁移学习的区别：迁移学习侧重源任务到目标任务的知识转移，微调可能仍需较多数据；小样本学习更强调“极少样本”下的快速适应，常以元学习为框架。并非万能：其性能高度依赖预训练阶段所学先验的质量与广度，若新任务与先验知识域差异过大，效果会大打折扣。