One-shot学習は1例だけで未知クラスを識別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 ＞ One-shot学習とは？1例だけで未知クラスを識別【G検定対策】

まず結論

  • One-shot学習とは、1つの例だけを手がかりに、未学習のクラスを正しく識別する能力を獲得する学習手法である。
  • G検定では「分類器の構造ではなく、学習設定の話」である点が問われる。

直感的な説明

One-shot学習は一言で言うと、

「一度だけ見たものを覚える力」

です。

人間で例えると：

  • 初対面の人の顔を一度見ただけで、次に見たときに「あ、あの人だ」と分かる

👉 これを AI にやらせたい、という発想です。

定義・仕組み

定義

  • 各クラスにつき 1サンプルのみ で学習・識別を行う学習設定
  • 主に 未知クラスへの汎化能力 を目的とする

仕組みの特徴

  • クラス分類そのものを直接学習しない
  • 「どれだけ似ているか」を学習する
  • 類似度学習・距離学習が中心

代表的な構成：

  • Siamese Network
  • Metric Learning
  • メタラーニング

いつ使う？（得意・不得意）

得意な場面

  • データ収集が困難
  • 新クラスが頻繁に追加される
  • 顔認識・指紋認識・個体識別

不得意・注意点

  • クラス内のばらつきが大きいと不安定
  • 通常の大量データ分類には不向き
  • 単純な分類ネットワークでは実現できない

G検定ひっかけポイント

ここが今回の誤答ポイントです。

よくある誤解

  • ❌「1入力から複数クラスを同時に予測する」
  • ❌「マルチラベル分類の一種」
  • ❌「クラスタリング手法」
  • ❌「バッチ学習のこと」

正しい判断基準

  • 1クラス1例 → One-shot
  • 未知クラス対応 → One-shot
  • 類似度で判断 → One-shot
  • 出力クラス数の話 → 関係なし

Few-shot / Zero-shot との違い（超頻出）

  • One-shot：各クラス1例
  • Few-shot：各クラス数例
  • Zero-shot：学習例ゼロ（属性・知識を利用）

👉 「1か？少数か？ゼロか？」で切る

まとめ（試験直前用）

  • One-shot学習は1例だけで学習
  • 未知クラスへの汎化が目的
  • 類似度・距離学習が中心
  • 分類器の構造ではない
  • マルチラベルやクラスタリングと無関係

🔗 関連記事

🏠 G検トップに戻る