मनुष्य कुछ ही उदाहरणों से नई श्रेणियां सीख लेते हैं। अधिकांश मशीन लर्निंग मॉडल को हजारों उदाहरणों की आवश्यकता होती है। फ्यू-शॉट लर्निंग कुछ ही लेबल किए गए नमूनों से नए वर्गों को पहचानने के लिए मॉडल को प्रशिक्षित करके इस अंतर को कम करती है।

दृष्टिकोण अलग-अलग होते हैं। मेट्रिक लर्निंग नेटवर्क को उदाहरणों की तुलना करने के लिए प्रशिक्षित करती है, जिससे समानता के आधार पर नए वर्गों का मिलान किया जा सके। मेटा-लर्निंग मॉडल को कई कार्यों में तेजी से सीखने के लिए प्रशिक्षित करती है। बड़े भाषा मॉडल केवल संकेत के माध्यम से, बिना वेट अपडेट के, कुछ ही चरणों में सीखने की क्षमता प्राप्त कर लेते हैं।

सामान्य सेटिंग्स

• एक बार में, प्रति कक्षा एक ही उदाहरण
• पांच शॉट, प्रति कक्षा पांच उदाहरण
• एन-वे के-शॉट, एन वर्ग जिनमें प्रत्येक में के उदाहरण हैं
• कोई उदाहरण नहीं, केवल विवरण।

अधिकांश मानकों पर पूर्ण पर्यवेक्षण की तुलना में फ्यू-शॉट प्रदर्शन अभी भी पीछे है। यह अंतर कम हो रहा है, खासकर भाषा संबंधी कार्यों में, लेकिन यह तकनीक मजबूत पूर्वप्रशिक्षण और सावधानीपूर्वक प्रॉम्प्ट डिज़ाइन के साथ मिलकर सबसे अच्छा काम करती है।