利用少样本学习解决数据稀缺问题：一项系统的文献综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Addressing data scarcity with Few-Shot Learning: a systematic literature review

　　

摘要

机器学习和深度学习的最新进展在多个领域取得了显著成果，包括目标检测、图像分类和自然语言处理（NLP）。这一进步在很大程度上得益于大规模标注数据集的可用性，这些数据集使得模型能够实现高精度和强泛化能力。然而，在数据有限且标注成本高昂的环境中，这样的性能水平仍然难以实现。这一挑战促使了少样本学习（Few-Shot Learning，FSL）这一人工智能新分支的出现，它旨在复制人类大脑从少量样本中有效学习的能力。这篇系统性的文献综述全面探讨了FSL技术，涵盖了2015年至2025年间的相关研究。所回顾的研究根据其在数据受限环境下的学习策略进行分类，包括元学习模型、混合模型和非元学习方法，并总结了FSL成功应用的典型案例。除了探讨该研究领域的进展外，这篇综述还提出了几个关键且尚未充分研究的发现。首先，文献中的证据表明，表示质量始终是性能提升的主要驱动力，这一发现对未来FSL研究的重点方向具有直接指导意义。其次，作为许多FSL方法基础的情节式训练范式与实际应用条件存在结构性差异。第三，该领域存在对自然图像基准的系统性偏好，这限制了算法成果向其他处理不同数据模态的关键领域的迁移能力。第四，目前普遍采用的跨任务平均准确率评估方法并不能准确反映实际应用中的性能。这些局限性揭示了当前FSL研究领域存在的重要结构缺陷。基于这些发现，本文提出了具体的改进方向，旨在弥合这些缺陷，增强模型鲁棒性，并最终实现FSL在现实应用中的更可靠部署。