Обучение на малом числе примеров (Few-shot Learning)

Обучение на малом числе примеров — это парадигма машинного обучения, которая обучает модели распознавать новые классы или решать новые задачи всего по нескольким размеченным примерам — обычно от одного до пяти — за счет использования предварительных знаний, полученных из большого, связанного распределения обучающих данных. Это особенно актуально в областях, где разметка данных является дорогостоящей, редкой или структурно ограниченной.