Los humanos aprenden nuevas categorías a partir de unos pocos ejemplos. La mayoría de los modelos de aprendizaje automático necesitan miles. El aprendizaje con pocos ejemplos reduce esa brecha al entrenar los modelos para reconocer nuevas clases a partir de solo unas pocas muestras etiquetadas.

Los enfoques varían. El aprendizaje métrico entrena redes para comparar ejemplos, de modo que las nuevas clases puedan emparejarse por similitud. El metaaprendizaje entrena modelos para aprender rápidamente en múltiples tareas. Los modelos de lenguaje grandes logran un comportamiento de aprendizaje con pocos ejemplos solo mediante indicaciones, sin actualizaciones de pesos.

Configuración común

• Una sola vez, un solo ejemplo por clase.
• Cinco disparos, cinco ejemplos por clase.
• K-shot de N vías, N clases con K ejemplos cada una
• Sin ejemplos, solo descripciones.

El rendimiento de la técnica de aprendizaje con pocos ejemplos aún está por debajo de la supervisión completa en la mayoría de las pruebas de referencia. La diferencia se está reduciendo, especialmente en las tareas de lenguaje, pero la técnica funciona mejor cuando se combina con un preentrenamiento sólido y un diseño cuidadoso de las indicaciones.