Differences Between Zero-shot, One-shot, and Few-shot Learning
簡介
Zero-shot learning(零樣本學習)、One-shot learning(單樣本學習)和Few-shot learning(少樣本學習)是三種在限制樣本情境下的機器學習方法,它們之間有以下的差異:
樣本數量:Zero-shot learning 是在完全沒有樣本的情況下進行學習,模型需要從類別的描述或屬性中推理和學習。One-shot learning 是在僅有一個樣本的情況下進行學習,模型需要利用這一個樣本進行推理和識別。Few-shot learning 是在僅有少量樣本的情況下進行學習,通常是數個或數十個樣本。
物體任務:Zero-shot learning 的目標是識別或推理之前從未見過的類別,模型需要從類別的描述或屬性中學習如何識別這些類別。One-shot learning 的目標是通過僅有的一個樣本進行類別識別,模型需要學習如何將這個樣本與新的樣本進行比較。Few-shot learning 的目標是通過少量樣本學習如何適應新的任務或類別,模型需要在有限的樣本上進行訓練和泛化。
方法和策略:Zero-shot learning 使用屬性推理、轉移學習或語義嵌入等方法來利用類別的描述或屬性進行學習和識別。One-shot learning 通常使用相似度比較、生成模型或概念學習等方法來從僅有的一個樣本進行學習和識別。Few-shot learning 則利用元學習、生成模型或轉移學習等方法來在少量樣本上進行訓練和泛化。
總體而言,Zero-shot learning 是在沒有任何樣本的情況下學習和識別新的類別,One-shot learning 是在僅有一個樣本的情況下學習和識別,Few-shot learning 是在少量樣本的情況下學習和識別。