Few-shot

Few-shotは、ごく少数のサンプルから未知のクラスを学習し、識別可能にする学習手法です。通常の深層学習では数千から数万のラベル付きデータが必要ですが、Few-shot学習は「数枚の画像を見ただけで対象を認識する」人間の学習能力を模倣しようとします。

仕組みとして、事前に大規模なデータセットで学習を行うことで、共通する特徴抽出の能力を養います。その上で、未知のタスクに対して少数のサンプルを提示し、過去の経験を転移させることで、素早く新しい概念に適応します。メタ学習などがこの枠組みを支える技術としてよく用いられます。

G検定の視点では、AIにおける「データ不足」という課題を解決するアプローチとして問われます。転移学習やメタ学習との関連性を整理し、なぜ少ないデータで学習できるのかという背後のロジックを理解しておくことが求められます。実用面での価値が高いテーマです。