Чем отличается few-shot от one-shot и zero-shot подходов в машинном обучении?

Few-shot, one-shot и zero-shot подходы в машинном обучении отличаются количеством обучающих примеров: 3

• Few-shot — модель учится на небольшом количестве примеров (обычно от нескольких до нескольких десятков) для каждого нового класса. 3 Подходит, когда есть некоторые данные, но их недостаточно для полного обучения. 2 Пример применения — обнаружение объектов с ограниченным количеством экземпляров или персонализированные рекомендации на основе ограниченных данных пользователя. 3
• One-shot — модели предоставляется один пример на каждый новый класс во время фазы классификации. 3 Она должна обобщать и распознавать экземпляры этих классов на основе этого одного примера. 3 Подходит для сценариев, где доступен только один пример, например, распознавание лиц с ограниченным количеством фотографий или выявление редких заболеваний с минимальными данными. 3
• Zero-shot — во время обучения модель не сталкивается с примерами новых классов. 3 Для прогнозирования невидимых классов она использует вспомогательную информацию, такую как семантические описания или атрибуты. 3 Подходит, когда нецелесообразно получать примеры для новых классов, например, в классификации изображений с невидимыми категориями или задачах NLP с новыми понятиями. 3

Несмотря на различия, все три подхода имеют схожие цели: эффективное обучение и прогнозирование даже при минимальном количестве обучающих данных для новых классов. 3