Чем метод Few-Shot отличается от Zero-Shot и One-Shot?

Методы Few-Shot, Zero-Shot и One-Shot отличаются количеством примеров, которые используются для обучения модели: www.geeksforgeeks.org

• Zero-Shot (нулевой выстрел) — запрос без примеров. developers.sber.ru Нейросеть должна догадаться, что от неё требуется, опираясь исключительно на свои общие знания, полученные при первоначальном обучении. developers.sber.ru
• One-Shot (один выстрел) — один пример для подсказки. developers.sber.ru Модель получает один пример, чтобы задать нужный формат или направление мысли. developers.sber.ru
• Few-Shot (несколько выстрелов) — несколько разнообразных примеров для достижения максимальной точности и строгого следования шаблону. developers.sber.ru Обычно предоставляется от 2 до 5 примеров. developers.sber.ru

Кроме того, есть и другие различия:

• Подход к обучению: www.geeksforgeeks.org
• Zero-Shot — использование семантических представлений или атрибутов для вывода свойств невидимых классов. www.geeksforgeeks.org Модель использует описания или вложения, чтобы связать новые классы с известными. www.geeksforgeeks.org
• One-Shot — использование методов на основе сходства, таких как сиамские сети или прототипические сети, для классификации новых примеров путём сравнения их с предоставленным одним примером. www.geeksforgeeks.org
• Few-Shot — применение техник метаобучения, таких как модель-независимое метаобучение (MAML), для быстрой адаптации к новым классам с минимальным количеством примеров. www.geeksforgeeks.org
• Требования к обучающим данным: www.geeksforgeeks.org
• Zero-Shot — не требует обучающих примеров для новых классов, полагается на косвенную информацию для предсказания. www.geeksforgeeks.org
• One-Shot — требует ровно одного примера для каждого нового класса на этапе оценки. www.geeksforgeeks.org
• Few-Shot — нуждается в небольшом, но достаточном количестве примеров для каждого нового класса для обучения модели. www.geeksforgeeks.org