Few-shot学習は少量データで学ぶ仕組みを理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network

G検定トップ ＞ Few-shot学習とは？少量データで学ぶ仕組み【G検定対策】

まず結論

  • Few-shot学習とは、各クラスごく少数（例：1〜5件）のサンプルから新しいタスクを学習する手法である。
  • G検定では「zero-shot・転移学習・メタラーニングとの違い」が問われる。

直感的な説明

通常の深層学習は、

データを大量に集めて学習する

のが前提です。

一方、Few-shot学習は、

「少し見ただけで覚える」

人間の学習に近い考え方です。

たとえば、

  • 新しい動物を1〜2枚見ただけで
  • 次から識別できる

👉 これをAIで実現しようとするのが Few-shot学習です。

定義・仕組み

定義

  • 各クラスにつき K個程度のサンプル（K-shot）から学習
  • 複数のタスク（エピソード）を通じて学習することが多い

仕組みの特徴

  • エピソード学習を行う
  • 「タスクを学ぶ」能力を獲得する
  • メタラーニング（学習の学習）と密接に関連

代表的アプローチ：

  • Metric Learning（Siamese Network など）
  • Model-Agnostic Meta-Learning（MAML）

いつ使う？（得意・不得意）

得意な場面

  • データ収集が困難
  • 新しいクラスが頻繁に追加される
  • 医療・異常検知・顔認識など

苦手な場面

  • 大量データが十分にある場合
  • 学習コストをかけられない場合

G検定ひっかけポイント

ここが最重要です。

よくある誤解

  • ❌「未学習クラスを事前知識だけで分類する」
  • ❌「転移学習で層を再構成する」
  • ❌「大量データを使う学習方式」
  • ❌「教師なし学習」

正しい判断基準

  • 少量データ → Few-shot
  • 0データ → Zero-shot
  • 事前学習モデルの微調整 → 転移学習
  • エピソード学習 → Few-shot / メタラーニング

問題文に
「少数サンプル」「エピソード」「K-shot」
とあれば Few-shot学習。

Zero-shot / One-shot との関係（超重要）

  • One-shot：1サンプル
  • Few-shot：少数サンプル（2〜5程度）
  • Zero-shot：サンプルなし（説明文や属性のみ）

まとめ（試験直前用）

  • Few-shot＝少量データ
  • エピソード学習を使う
  • メタラーニングと関連
  • Zero-shotとは別
  • 「何件使うか」で判断

🔗 関連記事

🏠 G検トップに戻る