少数短学习 (FSL) 可用于许多（如果不是全部）机器学习问题，包括监督学习（回归和分类）和强化学习。

论文从几个例子中概括：Few-Shot Learning 调查（2020 年）提供了 FSL 的概述（包括应用程序和用例的示例）。他们提供的 FSL 定义基于 Tom Mitchell 著名的机器学习定义。

定义 2.1（机器学习[92, 94]）。据说计算机程序可以从经验中学习$E$关于某些类别的任务$T$和绩效衡量$P$如果它的性能可以提高$E$在$T$通过测量$P$.

这是FSL的定义。

定义 2.2。Few-Shot Learning (FSL) 是一种机器学习问题，由$E$,$T$和$P$， 在哪里$E$仅包含有限数量的具有任务监督信息的示例$T$.

FSL应用的具体例子是

• 字符生成
• 药物毒性发现
• 短文本的情感分类
• 物体识别

一个有趣的用例是 IQ 测试，或从一般示例中合成程序。

IQ 测试通常要求您从几个可以产生特定输出的示例中派生出一个程序。参见例如https://github.com/fchollet/ARC