Oamenii învață categorii noi dintr-o mână de exemple. Majoritatea modelelor de învățare automată au nevoie de mii. Învățarea cu câteva schimbări reduce această diferență prin antrenarea modelelor să recunoască clase noi din doar câteva eșantioane etichetate.

Abordările variază. Învățarea metrică antrenează rețelele să compare exemple, astfel încât noile clase să poată fi potrivite prin similaritate. Meta-învățarea antrenează modelele să învețe rapid în mai multe sarcini. Modelele de limbaj mari realizează un comportament cu puține schimbări doar prin solicitarea de informații, fără actualizări de ponderi.

Setări comune

• Un singur exemplu, un singur exemplu per clasă
• Cinci cadre, cinci exemple per clasă
• N-way K-shot, N clase cu K exemple fiecare
• Zero-shot, fără exemple, doar descrieri

Performanța la câteva încercări este încă în urma supravegherii complete la majoritatea testelor de performanță. Decalajul se reduce, în special pentru sarcinile lingvistice, dar tehnica funcționează cel mai bine atunci când este combinată cu un antrenament prealabil solid și o proiectare atentă a prompturilor.