<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>ML Theory on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/ml-theory/</link><description>Recent content in ML Theory on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/ml-theory/index.xml" rel="self" type="application/rss+xml"/><item><title>少样本学习</title><link>https://terms-en.ai-term-hub.com/zh/terms/few_shot_learning/</link><pubDate>Sat, 18 Jul 2026 11:00:03 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/few_shot_learning/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>少样本学习旨在使模型能够从寥寥几个示例中进行泛化，模仿人类的学习效率。它通常依赖于元学习策略，即模型先在一系列相关任务上进行预训练，从而获得快速适应新任务的能力，即使这些新任务只有少量标注数据可用。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>少样本学习是一种机器学习范式，模型仅从非常有限的标记训练数据中学习新概念。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>元学习&lt;/li>
&lt;li>数据效率&lt;/li>
&lt;li>泛化能力&lt;/li>
&lt;li>任务适配&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>罕见疾病识别&lt;/li>
&lt;li>新产品分类&lt;/li>
&lt;li>自定义物体检测&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/meta_learning-%E5%85%83%E5%AD%A6%E4%B9%A0/">meta_learning (元学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/transfer_learning-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0/">transfer_learning (迁移学习)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/data_efficiency-%E6%95%B0%E6%8D%AE%E6%95%88%E7%8E%87/">data_efficiency (数据效率)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/supervised_learning-%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/">supervised_learning (监督学习)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>