---
title: "少樣本學習（Few-shot Learning）"
slug: few-shot-learning
language: zh-TW
source: https://aiterms.tw/terms/few-shot-learning
updated_at: 2026-04-29
tags: [機器學習, 遷移學習]
ipas_term: true
---

# 少樣本學習（Few-shot Learning）

> **你有沒有遇過，資料只給你幾個例子，卻還希望模型能學會？**
>
> 你可以把少樣本學習想成「看幾個範例就能抓到規則」的能力，資料不多也能先做出可用表現。
>
> 它重要，是因為很多真實問題根本湊不到大量標記資料，尤其是新領域、罕見事件或高成本標註任務。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **少樣本學習 vs 傳統監督式學習**
> 傳統監督式學習通常需要大量標記資料。
> 少樣本學習要在資料很少時也能快速泛化。
>
> **少樣本學習 vs 微調**
> 少樣本學習強調少量範例就能適應。
> 微調是把既有模型再訓練一段時間，兩者常一起用，但不是同一件事。

### 記住這句就好
> 只看幾個例子，還能抓到規則，就是少樣本學習。

### 實際案例
> **罕見疾病分類**
> 每種病只有少量影像，模型仍要能根據少數案例學到辨識方向。
>
> **新客服類型**
> 新產品剛上線，標註對話不多，但系統仍要能先回答或分類常見意圖。

### 算法與應用
> 常見方法會借助預訓練模型、相似度比對、度量學習或提示式學習。
> 這類方法常見於自然語言處理、影像辨識和罕見事件偵測。

### iPAS 考題
> **Q：少樣本學習的核心特性是什麼？**
> → 在標記資料很少的情況下，仍能讓模型學會新的任務或類別。
>
> **Q：少樣本學習為什麼在實務上重要？**
> → 因為很多資料昂貴、罕見或很難標記，不能只靠大量資料才能上線。

### 情境判斷
> **Q1：如果你只有每類 5 張圖，還想訓練出可用模型，少樣本學習有機會嗎？**
> → 有機會，因為它就是在這種資料稀少的條件下發揮。
>
> **Q2：只要資料少，就一定要用少樣本學習嗎？**
> → 不一定，如果任務很單純，傳統方法或資料增強可能更划算。

### 常見問題
> **Q：少樣本學習等於零樣本學習嗎？**
> 不等於，零樣本學習是完全沒看過標記例子，少樣本學習至少還有幾個。
>
> **Q：少樣本學習一定要大模型嗎？**
> 不一定，但預訓練能力強的模型通常更有優勢。
>
> **Q：它和提示工程有關嗎？**
> 很有關，尤其在大型語言模型裡，提示常是少樣本學習的重要方式。
>
> **Q：資料少就一定會更準嗎？**
> 不是，少樣本只是降低資料需求，不保證免除錯誤。

### 相關術語
> - **微調**：少樣本常會和它搭配，用少量資料把模型拉到目標任務。
> - **大型語言模型**：現代少樣本學習常靠它打底。
> - **提示工程**：很多少樣本設定其實就是在設計提示。
> - **自然語言處理**：少樣本方法最常被談到的應用之一。
> - **轉換器架構**：很多少樣本能力都建立在它上面。

---

來源：https://aiterms.tw/terms/few-shot-learning
快查頁：https://aiterms.tw/terms/few-shot-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-few-shot-learning