一次性学习是机器学习的一个子领域，关注的是仅使用每个类别的一个示例来训练模型执行任务，通常是分类或识别。。它代表了少样本学习的极端情况，后者是一个更广泛的问题设置，要求模型从有限数量的标注实例中泛化。。与需要大规模数据集的传统方法相比，一次性学习旨在模仿人类从极少接触中学习新概念的能力，使其成为人工智能研究中的一个关键挑战。
。
这一概念在2000年代和2010年代逐渐受到重视，得益于深度学习和神经网络架构的进步。诸如李飞飞和鲁斯·萨拉赫丁诺夫等研究人员为基于贝叶斯和概率模型的一次性学习奠定了基础工作，而后续发展则利用生成式人工智能和变换器模型来改善泛化能力。一次性学习在数据稀缺的领域尤为重要，如医学影像、稀有物种识别以及个性化用户界面等场景。
问题形式化
在典型的一次性学习设置中，模型在一个包含许多类别的基数据集上进行训练，然后在一组新的类别上进行评估，每个类别仅由一个标注示例表示。。目标是正确分类来自这些未见类别的新实例。。这通常被形式化为一个N-way、K-shot任务，其中N是类别数，K是每个类别的示例数；一次性学习对应于K=1。评估指标包括在新类别上的准确性以及在不同任务分布上的泛化能力等
方法和技术
有几种方法论家族处理一次性学习问题。基于度量的方法学习一个嵌入空间，其中来自同一类别的示例比来自不同类别的示例更接近；流行算法包括孪生网络和原型网络等。基于模型的方法使用外部记忆或快速参数适应，如记忆增强神经网络和元学习方法（如模型无关元学习（MAML））等。生成方法合成额外的训练数据或学习直接比较示例，通常使用神经网络组件如注意力机制等。最近的工作探索了使用大型语言模型和变换器架构在自然语言和多模态设置中执行一次性学习，其中单个提示或示例引导模型的响应等
##应用
一次性学习在各个领域都有实际应用价值。在计算机视觉中，它使得仅用最少的标注图像就能进行物体识别，，适用于监控、机器人技术和增强现实等场景。在医学影像中，，它有助于诊断稀有疾病，，因为标注扫描数据稀缺等。在自然语言处理中，，一次性学习驱动了大型语言模型中的少样本提示，，使模型能够从单个指令或示例中执行新任务等。此外，，它支持消费设备中的个性化，，如苹果和三星电子产品，，其中用户特定的识别（例如面部或语音）必须在有限的注册数据下工作等
##挑战与局限
尽管取得了进展，，一次性学习仍然困难重重等。模型常常难以应对高类内变异性和低类间区分性，，导致过拟合或泛化不佳等。缺乏足够的数据使得学习稳健表示变得困难，，且许多方法需要仔细调整超参数或依赖大规模预训练语料库等。此外，，评估协议各不相同，，使得跨研究比较具有挑战性等。当一次性学习应用于敏感领域（如监控或生物识别）时，，会产生伦理考量，，因为错误可能带来重大后果等
##未来方向
持续研究聚焦于提高样本效率、稳健性和可解释性等。与生成式人工智能和变换器模型的集成预计将增强一次性能力，，尤其是在多模态任务中等。学术机构如麻省理工学院计算机科学与人工智能实验室、斯坦福人工智能实验室和伯克利人工智能研究与工业实验室如OpenAI、谷歌深度思维和Anthropic之间的合作继续推动创新等。随着人工智能系统变得更加普及，，一次性学习将在实现自适应、个性化和数据高效的智能方面发挥关键作用等