يتعلم البشر تصنيفات جديدة من خلال عدد قليل من الأمثلة، بينما تحتاج معظم نماذج التعلم الآلي إلى آلاف الأمثلة. يُقلل التعلم باستخدام عدد قليل من الأمثلة هذه الفجوة من خلال تدريب النماذج على التعرف على فئات جديدة من خلال عدد قليل فقط من العينات المصنفة.

تتنوع الأساليب. يُدرّب التعلّم القياسي الشبكات على مقارنة الأمثلة، بحيث يمكن مطابقة الفئات الجديدة بناءً على التشابه. يُدرّب التعلّم الفائق النماذج على التعلّم بسرعة عبر مهام متعددة. تحقق نماذج اللغة الكبيرة أداءً جيدًا في عدد قليل من الأمثلة من خلال التوجيه فقط، دون تحديث الأوزان.

الإعدادات العامة

• مثال واحد لكل فصل دراسي، مثال واحد لكل فصل دراسي
• خمس لقطات، خمسة أمثلة لكل فصل دراسي
• اختبار K-shot ذو N اتجاه، N فئة مع K مثال لكل منها
• بدون أمثلة، فقط أوصاف

لا يزال أداء التدريب باستخدام عدد قليل من الأمثلة أقل من أداء الإشراف الكامل في معظم المعايير. وتتقلص هذه الفجوة، خاصةً في مهام اللغة، ولكن هذه التقنية تعمل بأفضل شكل عند دمجها مع تدريب مسبق قوي وتصميم دقيق للموجهات.