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: www.geeksforgeeks.org

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

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