什么时候任务被认为是少样本学习？

Question

在阅读小样本学习时，我似乎永远找不到确切的定义。 当解释这个概念时，通常会说一些类似“使用少量数据样本”的内容。

是否有小样本学习的精确定义，或者何时将任务视为小样本学习？ 当使用术语“N-way-K-shot 学习”时，N 和 K 的取值是否有任何界限？

Answer 1

小样本学习背后的想法是仅使用少量标记样本来训练分类器。 更准确地说，给定 N 个类别和 k 个样本，目标是使用每个 class 的样本，其中 m << k 来训练分类器。 当可用标记样本的数量有限时，小样本学习是一种流行的选择。

然而，在实现小样本学习时，一种流行的方法是使用对比学习对现有的 model 进行微调，以了解属于相同 class 的样本之间的相似性。

SetFit 是一个小样本学习框架，它使用对比学习来微调用于文本分类的句子转换器。 我建议您阅读 SetFit 的论文（在 Axriv 上可用；此处： https://arxiv.org/abs/2209.11055 ）。 我相信它具有您回答问题所需的技术细节。 此外，SetFit 的实现可在 GitHub（此处： https://github.com/huggingface/setfit ）上获得。

我希望它有所帮助。