完整定義
單樣本學習(One-shot Learning)是一種機器學習技術,其目標是僅使用一個或極少數的訓練樣本來學習新的類別或概念。這種方法模擬了人類快速學習的能力,即通過觀察一個或幾個例子就能夠識別和理解新的事物。它與傳統機器學習方法需要大量訓練資料形成鮮明對比。
白話說明
你只看過一張新產品照片,會不會就能認出同系列其他圖片?
你可以把 單樣本學習 想成 只用很少樣本也要學會新類別。
標註資料很貴時特別重要,只靠一個或少量樣本,也要能認新類別 這件事就特別重要。
記住這句
只靠一個或少量樣本,也要能認新類別
比喻:單樣本學習就像小孩子看過一次貓咪照片,就立刻知道路上遇到的都是貓咪一樣 -- 它只需要看過一個或幾個例子,就能辨識出新的類別,學得很快。
容易混淆
單樣本學習 vs 傳統監督學習
傳統學習像學生要看很多很多貓咪的照片才能學會分辨,單樣本學習像天才學生,看幾張就懂了,效率高很多,但可能泛化能力沒那麼強。
最關鍵的區別:一個是一樣只看少數樣本,另一個是看更多幾個。
單樣本學習 vs Few-shot Learning
one-shot 只看一個或極少樣本,few-shot 會看幾個樣本
最關鍵的區別:樣本數差一點,方法設計就差很多。
實際案例
案例 1:新工廠只拍到一顆瑕疵零件,就先讓模型學會辨認
案例 2:客服系統只收到一個新品牌樣本,也要能先開始分類
演算法與應用
核心意思就是:只靠一個或少量樣本,也要能認新類別。
常靠度量學習、相似度比較和元學習來撐住泛化
重點不是背更多資料,而是學會怎麼從少量例子找共通點
情境判斷
Q2(判斷題): 只給一個樣本時,還能把準確率拉高嗎?
看情況,若類別差異明顯就有機會,若太像就要更多樣本
常見問題
傳統機器學習需要大量的訓練資料來學習模型參數,而單樣本學習僅使用一個或少數幾個樣本。 單樣本學習更注重利用已有的知識和經驗,以及設計能夠快速泛化的模型結構。
Siamese Networks通過學習一個度量空間,使得同類樣本之間的距離更近,不同類樣本之間的距離更遠。 它通常使用兩個相同的神經網路來提取兩個輸入樣本的特徵,然後比較這兩個特徵向量之間的距離。
單樣本學習的主要挑戰是泛化能力,即模型如何從極少量的樣本中學習到具有普遍性的知識。 此外,如何設計有效的特徵提取器和度量函數也是重要的挑戰。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本