2025-6-24-zero/fewshot

Zero-shot/Few-shot

对，few-shot（少样本学习）和zero-shot（零样本学习）确实是两个不同的概念，虽然它们都属于样本稀缺下的泛化能力研究，但本质区别挺明显的。

方面	Few-Shot 学习	Zero-Shot 学习
样本数	有极少量的标注样本（通常是1~几十张）	没有任何训练时的该类别样本
训练方式	训练时会见到少量的目标类别样本，借助元学习等技巧快速适应	训练时从未见过目标类别，直接依靠其他信息（如文本描述）识别
依赖信息	依赖极少的真实样本数据	依赖类别的语义描述或其他辅助信息（如文本embedding）
核心难点	如何快速从极少样本中学习到有效表示	如何利用语义信息和视觉特征桥接，实现类别推断
应用场景	类别少且样本采集困难的情况，如医疗影像等	类别新出现、动态添加类别，或者完全无样本的情况
方法举例	MAML、ProtoNet、RelationNet 等元学习方法	CLIP、Grounding DINO、基于文本提示的检测模型

更简单地理解:

• Few-shot = 有一点点样本（很少，但有），模型“看”过该类别样本，学会快速适应。
• Zero-shot = 完全没见过该类别样本，只靠类别描述或语义知识推断。

两者的联系:

• 都是解决“样本稀缺”问题，目标都是让模型能识别新类别。
• 在实际应用中，zero-shot有时可以看作few-shot的极端（样本数为0）。
• 都可能借助“辅助信息”，如文本embedding、类别属性、知识图谱等。