小样本学习（Few-Shot Learning, FSL）是 机器学习的一个子领域，它关注在仅有少量标记训练样本的情况下，如何训练模型以识别新数据。这种学习方法的挑战在于数据量有限，难以建立准确且泛化的模型。小样本学习的关键在于设计能够从少量样本中提取有效信息并泛化到新数据的算法。

小样本学习可以分为以下几种类型：

单样本学习（One-shot Learning）：

每个类别的训练样本只有一个。这种情况下，模型需要从单个样本中学习并识别整个类别。

小样本学习（Few-Shot Learning）：

每个类别的训练样本有多个。这种方法比单样本学习更具挑战性，因为模型需要在多个样本中学习类别的特征，并能够泛化到未见过的样本。

为了解决小样本学习中的挑战，研究人员提出了多种方法，包括：

增量学习（Incremental Learning）：通过不断积累新知识来改善模型性能。

度量学习（Metric Learning）：学习一个距离度量函数，将样本映射到低维空间中，使得相似样本之间的距离更近，不相似样本之间的距离更远。

基于专家经验的方法：依托业务专家经验形成规则来构建模型，如规则模型、评分卡模型、层次分析法模型、社交网络与知识图谱模型等。

基于数据增强的方法：通过增加数据量将样本扩充为大样本，从而提高模型的泛化能力。

小样本学习在许多领域都有重要应用，如医疗影像、遥感图像、自然场景图像、医疗诊断、图像识别和自然语言处理等，其中样本数据往往十分有限。