该少样本学习综述发表于arXiv2019年5月13号。
摘要：人工智能在数据密集型应用中取得了成功，但缺乏从有限的示例中学习的能力。为了解决这个问题，提出了“少量样本学习”（FSL，Few-Shot Learning）。它可以用先验知识从受监督的经验有限的新任务中快速得出结论。为了全面了解FSL，本文进行了一项调查研究。首先澄清FSL的正式定义。其中不可靠的经验风险最小化是FSL的核心问题。基于采用先验知识处理核心问题的方式，将不同的FSL方法分为三个视角：数据使用先验知识来增强监督经验，模型通过先验知识来约束假设空间，算法使用先验知识来改变假设空间搜索最佳假设的参数。在这种统一的分类法下，本文对不同类别的利弊进行了详尽的讨论。最后，在问题设置、技术、应用和理论方面为FSL提出了可能的方向，为后续研究提供见识。
FSL例子：
设置比较：
从这三个角度比较FSL求解少量样本问题的方法：
基于各类方法的核心对FSL分类：
从数据角度看FSL方法的特性：
从模型角度看FSL的方法特性：
从算法角度看FSL方法的特性：
