在AI模型学习方法中，Zero-shot、One-shot、Few-shot 学习是处理数据稀疏情形的几种重要方法，主要用于解决训练数据少、导致模型泛化能力差的问题。

1. Zero-shot Learning（零样本学习）

Zero-shot学习是指在训练过程中完全没有见过某些类别数据，但模型能够在测试阶段成功地对这些新类别进行分类或预测。

原理：Zero-shot学习依赖于类间的语义关系或属性描述。这些描述通常是通过预训练的词嵌入（如Word2Vec、GloVe）或其他语义空间（如视觉-语言对齐模型 CLIP）来获取的。在测试阶段，模型会计算测试样本与各个类别描述的相似度，然后选择相似度最高的类别作为预测结果。

原理：

2. One-shot Learning（单样本学习）

One-shot学习是指在训练阶段，每个类别只有一个样本的情况下，模型能够学会识别和分类测试数据中的相似实例。这种方法适用于那些样本数据极其稀缺的场景。

原理：One-shot学习通常采用度量学习或生成模型的方法。在度量学习中，模型学会将相似类别的数据点在特征空间中聚集在一起，并通过计算测试样本与训练样本之间的距离来进行分类。生成模型则通过生成新的样本来补充数据稀缺的问题，从而帮助模型更好地学习和分类。One-shot学习的关键在于模型能够从单个样本中提取足够的特征信息，以区分不同的类别。

3. Few-shot Learning（少样本学习）

Few-shot学习是指在训练阶段，每个类别只有少量样本（通常是几个）的情况下，模型能够学会有效的分类或完成任务。

原理：Few-shot学习通常依赖于迁移学习、数据增强和模型正则化等技术。它利用预训练模型在大规模数据集上学到的知识，通过少量的新类别样本来调整模型，使其能够适应新任务。

---

参考：https://zhuanlan.zhihu.com/p/696054303