Few-shot Learning（小样本学习）

小样本学习旨在让模型具备从极少量样本中快速泛化的能力，其核心挑战是避免过拟合和充分利用先验知识。主流方法分为基于度量学习（如孪生网络、原型网络）、基于优化（如MAML）和基于数据增强。通常采用元学习范式，在大量相似任务上训练，使模型学会“如何学习”。评估标准是N-way K-shot分类准确率。