Few-shot / One-shot 学習の理解

問題

Few-shot・One-shot学習について、誤っている記述を1つ選べ。

Few-shot学習（数回学習）やOne-shot学習（一回学習）は、人間のように「わずか数個（または1つ）のデータを見ただけで新しい概念を学習・分類できる能力」をAIに持たせるための枠組みです。

従来のディープラーニングは大量のラベル付きデータを必要としましたが、このアプローチにより、医療の希少疾患画像や製造業のまれな不良品データなど、データを大量に集めるのが困難な実務現場でのAI活用（アノテーションコストの削減など）が可能になります。

1. Few-shot学習は、数件程度の少ないラベル付きデータで新しいクラスやタスクを学習することを目指す。

正しい：Few-shot学習は、数件から数十件程度の非常に少ないラベル付きデータから新しいタスクやクラスを汎化して学習する手法です。

2. One-shot学習は、1つの例から新しいクラスを認識できることを目指す。

正しい：One-shot学習はFew-shot学習の極端なケースであり、たった1つの例（サンプル）を見ただけで新しいクラスを認識することを目指します（例：顔認証システムなど）。

3. Few-shotやOne-shot学習は、人間のように少ない経験から素早く適応する能力を目指している。

正しい：「子供が1枚の写真を見ただけでキリンを覚えられる」ように、人間の持つ「少ない経験からの素早い汎化能力」を模倣する動機から研究されています。

4. Few-shot学習では、大量のラベル付きデータが必須となるため、ラベルコスト削減には向いていない。

誤り：大量のラベル付きデータを用意するコストや手間（アノテーションコスト）を削減し、データが少ない状況でも高い精度を出すことこそがFew-shot学習の最大の目的です。

← 前の問題次の問題 →

📚 より詳細を学びたい方へ