機器學習框架
小樣本學習（Few-shot Learning，FSL）是一種機器學習框架，旨在解決訓練數據非常有限的情況下的學習問題。
在傳統機器學習應用中，通常需要大量的數據來訓練模型，以確保模型的預測效果。然而，小樣本學習專注於使用盡可能少量的訓練數據來構建有效的機器學習模型。這不僅有助於降低數據收集和標記的成本，還能使模型更快地適應新的任務或領域。小樣本學習通常涉及三個數據集：支持集（包含少量標記樣本）、查詢集（包含需要模型分類的新樣本），以及輔助集（提供額外的相關信息）。模型通過學習和利用這些有限的數據，實現對新實例的準確識別和分類。
小樣本學習是元學習（Meta Learning）的一種應用，元學習的目標是讓模型具有自我學習和快速適應新任務的能力。通過在多種任務上進行訓練，小樣本學習可以幫助模型提高在未見過的數據上的性能。