少数ショット学習（しょうすうしょっとがくしゅう）

最終更新：2026/4/27

少数ショット学習とは、機械学習モデルが限られた数の学習データから新しいタスクを学習する手法である。

別名・同義語 Few-shot learning少データ学習

ポイント

従来の機械学習と比較して、データ収集コストを削減できる点が特徴である。特に、ラベル付けされたデータが少ない場合に有効。

概要

少数ショット学習（Few-shot learning）は、深層学習などの機械学習モデルが、少量のデータセット（数個から数十個のサンプル）から新しい概念やタスクを学習する能力を指す。従来の機械学習では、高い精度を達成するために大量の学習データが必要とされていたが、少数ショット学習は、その課題を克服するためのアプローチである。

背景

大量のラベル付きデータを収集・アノテーションするには、時間とコストがかかる。また、特定のタスクやドメインにおいては、そもそも十分な量のデータが存在しない場合もある。このような状況下で、少数ショット学習は、実用的な機械学習モデルを構築するための重要な手段となる。

手法

少数ショット学習を実現するための様々な手法が存在する。

メタ学習 (Meta-learning): 複数のタスクを学習し、新しいタスクへの適応能力を獲得する。
転移学習 (Transfer learning): 事前に学習されたモデルを、新しいタスクに転用する。
プロトタイプネットワーク (Prototypical Networks): 各クラスのプロトタイプ（代表的なサンプル）を学習し、新しいサンプルを最も近いプロトタイプに分類する。
モデルアグノスティックメタ学習 (Model-Agnostic Meta-Learning, MAML): モデルの初期パラメータを最適化し、少量のデータで迅速に学習できるようにする。

応用例

画像認識: 新しいオブジェクトを数枚の画像から認識する。
自然言語処理: 新しい言語やドメインのテキストを少量のデータから処理する。
ロボット工学: 新しい環境やタスクにロボットを迅速に適応させる。
医療診断: 希少疾患の診断を、限られた症例データから行う。

今後の展望

少数ショット学習は、機械学習の応用範囲を広げる可能性を秘めている。今後は、より複雑なタスクへの適用や、学習効率の向上などが期待される。