学习范式
单样本学习（one-shot learning）
/ WUN-shot LER-ning /
你和一位同事只见过一面，第二天就能在熙攘的房间里一眼认出他的脸。见这一面就够了。单样本学习就是它的机器版：只凭恰好一个例子，就学会认出或处理一个新类别。它是少样本学习的极端角落——有意义的最小例子数，就一个。
从零开始仅凭一个例子学习是不可能的，所以单样本系统靠的是比对，而非死记。它们问的不是「这是哪一类？」，而是学着问「这和我被展示过的那一个参照，有多相似？」一种常见设计是孪生网络：同一个网络的两份副本，把每个输入各自变成一个紧凑的表示，系统则在大量其他数据上训练，好把相似的东西摆得近、不同的东西拉得远。如此一来，一个参照样本就够了；新输入只需按距离去和它匹配。
人脸识别解锁和签名核验，通常正是这么工作的：录入一张照片或一个签名，然后比对。它能凭一个例子奏效的原因，又一次在于此前已经完成的全部学习——网络早已懂得是什么让脸孔相似或相异。要诚实地说说它的边界：一个例子几乎说不清一个类别能有多大变化，因此单样本系统很容易被异常的角度、光照或货真价实的「撞脸」骗倒。它的可靠并不来自那唯一的例子，而来自底下那个强大的表示。
手机的人脸解锁，只录入你脸部的一张参照扫描。每次你看向手机，它把新图像转成一个表示，再量它与你录入那张之间的距离。足够近，就解锁。它从没拿你成千上万张照片去「训练」过——一张参照，加上一个预训练好的相似度模型，就办成了事。
靠与一个参照的相似度来匹配，背后是事先学好的表示。
一个例子说不清一个类别会有多大变化，所以单样本系统在异常角度、光照或真正的「撞脸」面前会失灵。力量藏在事先训好的相似度模型里，而非那个孤零零的例子。
又称
另见