Few-Shot Learning, One-Shot Learning und Zero-Shot Learning

Few-Shot LearningFew-Shot Learning Few-Shot Learning ist ein Ansatz im Bereich der Künstlichen Intelligenz, bei dem ein Modell in der Lage ist, neue Aufgaben mit nur ... Mehr, One-Shot LearningOne-Shot Learning One-Shot Learning ist eine spezielle Form des maschinellen Lernens, bei der ein Modell eine neue Aufgabe anhand nur eines einzigen B... Mehr und Zero-Shot LearningZero-Shot Learning Zero-Shot Learning ist ein Ansatz im Bereich der Künstlichen Intelligenz, bei dem ein Modell Aufgaben lösen kann, für die es kei... Mehr sind Methoden des Maschinellen Lernens, die darauf abzielen, Modelle mit nur sehr wenigen oder gar keinen Beispielen für eine neue Aufgabe leistungsfähig zu machen. Während klassische Machine-Learning-Ansätze oft große Mengen gelabelter Daten benötigen, ermöglichen diese Verfahren eine hohe Effizienz beim Lernen und eröffnen neue Möglichkeiten in Bereichen, in denen Daten rar oder teuer zu beschaffen sind.

Few-Shot Learning

Beim Few-Shot Learning wird ein Modell mit nur wenigen Trainingsbeispielen pro Klasse oder Aufgabe konfrontiert. Es nutzt dabei in der Regel ein vortrainiertes Modell, das bereits allgemeine Repräsentationen gelernt hat, und passt sich an die neue Aufgabe mit minimalen Daten an.

One-Shot Learning

One-Shot Learning bezeichnet die Fähigkeit eines Modells, eine neue Klasse oder Aufgabe mit nur einem einzigen Beispiel zu erlernen. Dies geschieht oft durch metrisches Lernen, bei dem das Modell die Ähnlichkeiten zwischen Datenpunkten vergleicht und neue Klassen anhand von Distanz- oder Ähnlichkeitsmaßen erkennt.

Zero-Shot Learning

Beim Zero-Shot Learning kann ein Modell Aufgaben lösen, für die es überhaupt keine Trainingsbeispiele gesehen hat. Stattdessen nutzt es semantische Informationen wie Beschreibungen in natürlicher Sprache oder Attribute, um unbekannte Klassen zu verstehen und Vorhersagen zu treffen. Sprachmodelle wie GPT sind prominente Beispiele für Zero-Shot-Fähigkeiten.

Praxisbeispiele:

• Textklassifikation: Automatische Kategorisierung von Dokumenten mit nur wenigen oder keinen Beispielen.
• Computer VisionComputer Vision Computer Vision ist ein Bereich der Künstlichen Intelligenz, der sich mit der Fähigkeit von Computern befasst, Bilder und Videos zu ... Mehr: Bilderkennung von neuen Objekten mit nur einem Bild pro Klasse.
• Sprachmodelle: Chatbots, die ohne spezielles TrainingTraining Training im Projektkontext bezeichnet strukturierte Schulungsmaßnahmen zur Vorbereitung von Mitarbeitenden auf neue Systeme, Prozesse oder T... Mehr auf neue Fragestellungen reagieren können.
• Medizin: Erkennung seltener Krankheiten mit minimalen Patientendaten.
• Industrie: Qualitätskontrolle mit nur wenigen Beispielen für neue Fehlerbilder.

Vorteile:

• Datenersparnis: Funktioniert auch in Szenarien mit wenigen oder keinen Labels.
• Schnelle Anpassung: Modelle können sehr schnell für neue Aufgaben eingesetzt werden.
• Praxisrelevanz: Besonders nützlich in Bereichen, in denen Daten selten, teuer oder schwer zugänglich sind.

Herausforderungen:

• Komplexität: Erfordert leistungsfähige Modellarchitekturen wie Transformer oder Meta-Learning-Verfahren.
• Generalisation: Risiko, dass Modelle auf unbekannte Aufgaben nicht robust genug reagieren.
• Interpretierbarkeit: Entscheidungen sind oft schwer nachvollziehbar, insbesondere im Zero-Shot Setting.

Verwandte Begriffe:

Meta-LearningMeta-Learning Meta-Learning, auch als „Learning to Learn“ bezeichnet, ist ein Ansatz im Maschinellen Lernen, bei dem Modelle darauf trainiert werd... Mehr, Transfer LearningTransfer Learning Transfer Learning ist eine Methode des Maschinellen Lernens, bei der ein bereits trainiertes Modell für eine neue, aber ähnliche A... Mehr, Self-Supervised LearningSelf-Supervised Learning Self-Supervised Learning ist eine moderne Methode des Maschinellen Lernens, die zwischen unüberwachtem und überwachten Lern... Mehr, Representation Learning, Few-Shot Prompting, GPT, BERT, Metrisches Lernen, Siamese Networks, Prototypical Networks, Foundation Models