你只看過一張新產品照片，會不會就能認出同系列其他圖片？
你可以把 單樣本學習 想成 只用很少樣本也要學會新類別。
標註資料很貴時特別重要，只靠一個或少量樣本，也要能認新類別 這件事就特別重要。
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
單樣本學習 vs 傳統監督學習
傳統學習像學生要看很多很多貓咪的照片才能學會分辨，單樣本學習像天才學生，看幾張就懂了，效率高很多，但可能泛化能力沒那麼強。
最關鍵的區別：一個是一樣只看少數樣本，另一個是看更多幾個。
單樣本學習 vs Few-shot Learning
one-shot 只看一個或極少樣本，few-shot 會看幾個樣本
最關鍵的區別：樣本數差一點，方法設計就差很多。
記住這句就好
只靠一個或少量樣本，也要能認新類別
實際案例
案例 1：新工廠只拍到一顆瑕疵零件，就先讓模型學會辨認
這種情況下，單樣本學習 會幫你把原本手工或靠直覺的步驟變得更穩。
案例 2：客服系統只收到一個新品牌樣本，也要能先開始分類
另一個常見場景也能看出 單樣本學習 的價值，因為它處理的是同一種核心問題。
算法與應用
核心意思就是：只靠一個或少量樣本，也要能認新類別。
常靠度量學習、相似度比較和元學習來撐住泛化
重點不是背更多資料，而是學會怎麼從少量例子找共通點
情境判斷
Q1（直覺題）： 新工廠只拍到一顆瑕疵零件，就先讓模型學會辨認 這種情況，會先想到 單樣本學習 嗎？
→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
Q2（判斷題）： 只給一個樣本時，還能把準確率拉高嗎？
→ 看情況，若類別差異明顯就有機會，若太像就要更多樣本
常見問題
單樣本學習與傳統機器學習有何不同？
傳統機器學習需要大量的訓練資料來學習模型參數，而單樣本學習僅使用一個或少數幾個樣本。 單樣本學習更注重利用已有的知識和經驗，以及設計能夠快速泛化的模型結構。
Siamese Networks在單樣本學習中如何應用？
Siamese Networks通過學習一個度量空間，使得同類樣本之間的距離更近，不同類樣本之間的距離更遠。 它通常使用兩個相同的神經網路來提取兩個輸入樣本的特徵，然後比較這兩個特徵向量之間的距離。
單樣本學習的挑戰有哪些？
單樣本學習的主要挑戰是泛化能力，即模型如何從極少量的樣本中學習到具有普遍性的知識。 此外，如何設計有效的特徵提取器和度量函數也是重要的挑戰。