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。小样本学习专注于快速适应，通常使用元学习、度量学习或微调等技术，模型从最小监督中有效学习。两种范式都解决了传统监督学习之外的数据稀缺挑战。ZSL 完全依赖辅助信息，而 FSL 则关键依赖于少量样本的质量和代表性。

ZSL 的应用在收集新类别标记数据不可能或成本极高时至关重要，例如识别稀有物种或新颖对象类别。FSL 在需要以最少标注工作量快速部署的场景中表现突出，例如小众产品分类。两者都通过使 AI 系统能够在不需要大量重训练数据集的情况下有效地泛化到新任务和类别，提供了重要的业务价值。在可以提供一些示例的情况下，FSL 通常更为实用。