🎯 少样本学习 (few-shot learning)
在机器学习中，few-shot 指的是模型只需要少量样本就能学习新任务的能力。
核心特点：
- 仅需少量标注数据（通常5-100个样本）
- 快速适应新任务
- 降低数据标注成本
- 适用于数据稀缺场景
应用场景：
医疗诊断、罕见物种识别、个性化推荐等需要快速学习的领域。
🚀 零样本学习 (zero-shot learning)
zero-shot 是指模型在没有见过任何训练样本的情况下，仅通过描述就能识别新类别的能力。
工作原理：
- 利用语义描述理解新概念
- 基于已有知识进行推理
- 跨领域知识迁移
- 属性和类别关系建模
实际应用：
图像识别、自然语言处理、语音识别中的新类别识别。
📸 单样本学习 (one-shot learning)
one-shot 是few-shot的特例，模型仅凭一个样本就能学习并识别新类别。
技术方法：
- 度量学习 (metric learning)
- 孪生网络 (siamese networks)
- 记忆增强网络
- 元学习 (meta-learning)
典型应用：
人脸识别、签名验证、手写字符识别等。
🎨 aigc中的shot概念
在ai生成内容(aigc)领域，shot 通常指生成任务中的示例或提示词。
常见形式：
- prompt shot：输入的提示词示例
- context shot：上下文示例
- style shot：风格参考样本
- few-shot prompting：少样本提示
生成效果：
通过提供合适的shot，可以显著提升ai生成内容的质量和准确性。