小样本学习需要多少个样本？
小样本学习通常每个类别或类别只需要1到5个标注示例。其核心目标是用极其有限的标注数据实现有效的模型性能。
确切数量因任务复杂度、模型架构和基础模型预训练而存在显著差异。简单任务可能每类只需一个样本就能成功，而复杂任务（如细粒度图像识别）通常需要更多。通过提示工程或适配器模块等技术利用大型预训练模型通常是必不可少的。所提供示例的多样性和代表性至关重要，因为质量差的样本会大幅降低效果。没有适用于所有场景的固定数量。
小样本学习使模型能够以最小的标注成本快速适应新任务，在数据收集昂贵或不切实际的场景（如稀有疾病诊断、小众产品分类）中释放价值。实施者应精确定义任务，选择稳健的基础模型（如大语言模型），并为每类提供少量高度代表性的示例。典型基准测试使用1、2、3、5或10个示例。
相关问题
模型微调和重新训练之间差别大吗？
微调是使用相对较小的数据集将预训练模型适配到特定任务，而重新训练则是从头开始使用大量（通常是特定任务）数据构建新的模型架构。两种方法都能实现模型更新，但在方法和资源需求上有显著差异。 微调修改已建立模型（如 BERT 或 GPT）的权重，这些模型已在大量通用数据上训练。与重新训练相比，它所需的数据...
零样本学习和小样本学习有什么区别？
零样本学习（ZSL）使模型能够识别或分类在训练期间没有可用标记训练样本的对象。相比之下，小样本学习（FSL）利用极少量（如 1-5 个）每个新类别的标记样本来适配模型。 零样本学习主要通过利用预先存在的语义知识或辅助信息（如类别属性、文本描述或嵌入）来将学习到的概念迁移到未见过的类别。小样本学习专...
小样本学习的应用场景有哪些？
小样本学习使模型仅凭少量标记样本就能有效学习新概念或执行任务。其核心能力是从最少数据中高效获取知识。 这种方法在收集大量数据集不切实际或不可能的情况下极为有价值。关键应用场景包括：在医学影像中识别罕见疾病、在计算机视觉中识别新颖对象或场景、在语音识别中适应特定语音命令或口音、以及以最少的显式用户反...
BLEU 指标和 ROUGE 有什么区别？
BLEU 和 ROUGE 都是评估 NLP 模型生成文本质量的自动化指标，但它们衡量的方面不同。BLEU 主要评估精确率（匹配的正确性），而 ROUGE 则强调召回率（内容捕获的全面性）。 BLEU 计算候选文本与参考文本之间的 n-gram 精确率，并对过短的输出进行惩罚。它对精确的词汇匹配高度...