Ludzie uczą się nowych kategorii na podstawie garstki przykładów. Większość modeli uczenia maszynowego potrzebuje tysięcy. Uczenie się na podstawie niewielu przykładów zmniejsza tę lukę, trenując modele w rozpoznawaniu nowych klas na podstawie zaledwie kilku oznaczonych próbek.

Podejścia są różne. Uczenie metryczne uczy sieci porównywania przykładów, dzięki czemu nowe klasy można dopasowywać na podstawie podobieństwa. Metauczenie uczy modele szybkiego uczenia się w wielu zadaniach. Duże modele językowe osiągają zachowanie ograniczone do kilku powtórzeń wyłącznie dzięki podpowiedziom, bez aktualizacji wag.

Ustawienia wspólne

• Pojedynczy przykład, jeden przykład na klasę
• Pięć strzałów, pięć przykładów na klasę
• N-kierunkowy K-shot, N klas z K przykładami każda
• Zerowy strzał, brak przykładów, tylko opisy

Wydajność w przypadku niewielu uderzeń nadal pozostaje w tyle za pełnym nadzorem w większości testów porównawczych. Różnica ta maleje, szczególnie w przypadku zadań językowych, ale technika ta działa najlepiej w połączeniu z solidnym treningiem wstępnym i starannym, szybkim projektowaniem.