arXivの2019 2012年5月13日号に掲載小さなサンプル調査の概要。
要約：人工知能は、データ集約型アプリケーションで成功して、限られたサンプルから学ぶ能力を欠いています。この問題は、「小さなサンプル学習」（FSL、少数ショット学習を解決するため ）。それはすぐの監督の下で新しいタスクの限られた経験から結論を出す前に知識を使用することができます。完全にFSLを理解するために、本論文では、調査研究を行いました。まず、FSLの正式な定義を明確にします。信頼性の高い実証的リスク最小化FSLれていない問題の核心です。ベースのアプローチは、コアの問題を処理する事前知識を使用し、FSLの異なる方法は、3つの視点に分けられる：データは監督経験を向上させるために予備知識を使用して、モデルが先験的知識仮説空間によって制限され、アルゴリズムは、変化の仮定に先験的知識を使用します仮説スペースの検索パラメータの最高。詳細な議論のために、紙の異なるタイプのこのような統一された分類、長所と短所です。最後に、FSLのための問題セット、技術、アプリケーション、および理論は、将来の研究のための洞察を提供し、可能な方向を示唆しました。
FSL例：
セットの比較：
これら3つの角度からの方法は比較的小さなサンプルFSLの問題を解決する：
FSLカテゴリに方法のすべての種類のコアに基づいて：
特徴のデータFSL方法の観点から：
ビューFSL法特性のモデル点から：
アルゴリズムから方法FSL視点特性：
