Os humanos aprendem novas categorias a partir de poucos exemplos. A maioria dos modelos de aprendizagem automática precisa de milhares. A aprendizagem com poucos exemplos reduz esta lacuna, treinando modelos para reconhecer novas classes a partir de apenas algumas amostras rotuladas.

As abordagens variam. A aprendizagem métrica treina redes para comparar exemplos, permitindo que novas classes sejam associadas por similaridade. A meta-aprendizagem treina modelos para aprenderem rapidamente em diversas tarefas. Os grandes modelos de linguagem conseguem comportamentos com poucos exemplos apenas através de dicas, sem atualizações de pesos.

Configurações comuns

• Exemplo único, um único exemplo por aula.
• Cinco doses, cinco exemplos por aula
• N-way K-shot, N classes com K exemplos cada
• Sem exemplos, apenas descrições.

O desempenho da aprendizagem com poucos exemplos ainda fica atrás da aprendizagem com supervisão completa na maioria dos benchmarks. Esta diferença está a diminuir, especialmente para tarefas de linguagem, mas a técnica funciona melhor quando combinada com um pré-treino robusto e um design cuidadoso dos estímulos.