Few-shot Learningとは、事前知識を与えることによって、非常に少ないデータ量で情報を学習するようにモデルを設計する機械学習の概念です。
従来の機械学習アルゴリズムは、正確な予測や分類を行うために大量のデータで学習を行う必要がありましたが、Few-shot Learningでは、機械学習モデルを非常に少ないデータセットから学習させます。なおかつ、その限られた情報に基づいて正確に予測や分類ができるようにすることを目的としています。
鳥の愛好家で、友人に鳥の種類の見分け方を教えたいとします。
例えば、スズメとコマドリの違いを認識できるようになるには、それぞれの鳥の種類の写真を何百枚も見せなければなりません。
Few-shot Learningの文脈では、何百枚もの写真を見せる代わりに、スズメとコマドリの写真を2、3枚だけ見せるだけです。このように少ない枚数にもかかわらず、友人はすぐにその違いを理解し、二人でバードウォッチングに行ったときにスズメとコマドリを正しく識別できるようになることがFew-shot Learningの特徴です。
あなたが経験豊富なシェフで、新しい種類のパスタを作れるようになりたいとします。通常、最初の数回はレシピに忠実に、指定された分量の材料を正確に使う必要があります。
Few-short Learningの文脈では、1、2度レシピを読んだだけで、ちょっとしたズレを試しただけで、そのパスタ料理を完璧に調理できるようになり、さらにレシピをもう一度見なくても、そのパスタ料理のバリエーションを作れるようになります。
この例では、シェフとしての予備知識があったからこそ、限られた時間しかレシピに触れることなく、新しいレシピに素早く適応できたと言えます。
この2つの例では、学習は非常に少ない例やデータで素早く行われ、これは機械学習におけるFew-shot Learningの概念を反映しています。
機械学習では、大量のデータを収集することが困難であったり、コストがかかったりする状況において、Few-shot Learningは特に重要です。
大規模な学習データを追加することなく、事前に訓練されたモデルを新しいタスクに迅速に適応させたい場合にも有効となります。