單樣本學習（one-shot learning）

你和一位同事只見過一面，第二天就能在熙攘的房間裡一眼認出他的臉。見這一面就夠了。單樣本學習就是它的機器版：只憑恰好一個例子，就學會認出或處理一個新類別。它是少樣本學習的極端角落——有意義的最小例子數，就一個。

從零開始僅憑一個例子學習是不可能的，所以單樣本系統靠的是比對，而非死記。它們問的不是「這是哪一類？」，而是學著問「這和我被展示過的那一個參照，有多相似？」一種常見設計是孿生網路：同一個網路的兩份副本，把每個輸入各自變成一個緊湊的表示，系統則在大量其他資料上訓練，好把相似的東西擺得近、不同的東西拉得遠。如此一來，一個參照樣本就夠了；新輸入只需按距離去和它匹配。

人臉辨識解鎖和簽名核驗，通常正是這麼工作的：錄入一張照片或一個簽名，然後比對。它能憑一個例子奏效的原因，又一次在於此前已經完成的全部學習——網路早已懂得是什麼讓臉孔相似或相異。要誠實地說說它的邊界：一個例子幾乎說不清一個類別能有多大變化，因此單樣本系統很容易被異常的角度、光照或貨真價實的「撞臉」騙倒。它的可靠並不來自那唯一的例子，而來自底下那個強大的表示。