---
title: "One-shot学習とは？1例だけで未知クラスを識別【G検定対策】"
description: "One-shot学習1例だけで未知クラスを識別について、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/one-shot-learning/"
section: "gk"
---

## 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