什么是小樣本學習？它與弱監督學習等問題有何差異？其核心問題是什么？來自港科大和第四范式的這篇綜述論文提供了解答。

數據是機器學習領域的重要資源，在數據缺少的情況下如何訓練模型呢？小樣本學習是其中一個解決方案。來自香港科技大學和第四范式的研究人員綜述了該領域的研究發展，并提出了未來的研究方向。 這篇綜述論文已被 ACM Computing Surveys 接收，作者還建立了 GitHub repo，用于更新該領域的發展。

論文地址：https://arxiv.org/pdf/1904.05046.pdf

GitHub 地址：https://github.com/tata1661/FewShotPapers

機器學習在數據密集型應用中取得了很大成功，但在面臨小數據集的情況下往往捉襟見肘。近期出現的小樣本學習（Few-Shot Learning，FSL）方法旨在解決該問題。FSL 利用先驗知識，能夠快速泛化至僅包含少量具備監督信息的樣本的新任務中。 這篇論文對 FSL 方法進行了綜述。首先，該論文給出了 FSL 的正式定義，并厘清了它與相關機器學習問題（弱監督學習、不平衡學習、遷移學習和元學習）的關聯和差異。然后指出 FSL 的核心問題，即經驗風險最小化方法不可靠。 基于各個方法利用先驗知識處理核心問題的方式，該研究將 FSL 方法分為三大類：

數據：利用先驗知識增強監督信號；

模型：利用先驗知識縮小假設空間的大??；

算法：利用先驗知識更改給定假設空間中對最優假設的搜索。

最后，這篇文章提出了 FSL 的未來研究方向：FSL 問題設置、技術、應用和理論。 論文概覽 該綜述論文所覆蓋的主題見下圖：

我們選取介紹了該綜述論文中的部分內容，詳情參見原論文。 什么是小樣本學習？ FSL 是機器學習的子領域。 我們先來看機器學習的定義： 計算機程序基于與任務 T 相關的經驗 E 學習，并得到性能改進（性能度量指標為 P）。

基于此，該研究將 FSL 定義為： 小樣本學習是一類機器學習問題，其經驗 E 中僅包含有限數量的監督信息。

下圖對比了具備充足訓練樣本和少量訓練樣本的學習算法：

FSL 方法分類 根據先驗知識的利用方式，FSL 方法可分為三類：

FSL 方法解決少樣本問題的不同角度。 基于此，該研究將現有的 FSL 方法納入此框架，得到如下分類體系：

數據 此類 FSL 方法利用先驗知識增強數據 D_train，從而擴充監督信息，利用充足數據來實現可靠的經驗風險最小化。

如上圖所示，根據增強數據的來源，這類 FSL 方法可分為以下三個類別：

模型 基于所用先驗知識的類型，這類方法可分為如下四個類別：

算法 根據先驗知識對搜索策略的影響，此類方法可分為三個類別：

文章最后從問題設置、技術、應用和理論四個層面探討了小樣本學習領域的未來發展方向。
責任編輯：彭菁