---
title: "Few-shot学習とは？少量データで学ぶ仕組み【G検定対策】"
description: "Few-shot学習少量データで学ぶ仕組みについて、G検定で問われるAI・機械学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/few-shot-learning/"
section: "gk"
---

## 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