有時候，某些樣本發生的機率較小，也就是叫罕見的樣本，造成收集到比較少的資料，對比於樣本數多的資料，可能會造成模型沒有學習到小樣本的知識，甚至是忽略小樣本，一個比較簡單的方法是更改損失函數，利用加權的損失，小樣本的權重較大，來迫使模型去學習小樣本，我們今天要來介紹相關的技術：小樣本學習（Few Shot Learning）。

小樣本學習要解決的問題是「利用少量的資料就可以快速學習」，比較重要的概念是元學習（Meta Learning），重點就是學習如何學習（learning to learn），較著名的方法有：

1. 孿生網路（Siamese Neural Networks）
2. 匹配網路（Matching Networks）
3. 原型網路（Protypical Networks）
4. 遞迴記憶模型（Memory-Augmented Neural Networks）
5. 模型無關自適應（Model Agnositc）

這裡暫不做詳細介紹，有興趣的話，可以參考 [1]。

參考資料

[1]：當小樣本遇上機器學習 Fewshot Learning