Generalizar a partir de pocos ejemplos

El aprendizaje automático ha tenido un gran éxito en aplicaciones intensivas en datos, pero a menudo se ve obstaculizado cuando el conjunto de datos es pequeño. Recientemente, se ha propuesto el Aprendizaje con Pocas Muestras (FSL) para abordar este problema. Usando conocimiento previo, FSL puede generalizar rápidamente a nuevas tareas que contienen solo unas pocas muestras con información supervisada. En este artículo, realizamos una revisión exhaustiva para comprender completamente FSL. Comenzando con una definición formal de FSL, distinguimos FSL de varios problemas relevantes de aprendizaje automático. Luego señalamos que el problema central en FSL es que el minimizador del riesgo empírico no es confiable. Basándonos en cómo se puede usar el conocimiento previo para manejar este problema central, categorizamos los métodos FSL desde tres perspectivas: (i) datos, que usan conocimiento previo para aumentar la experiencia supervisada; (ii) modelo, que usa conocimiento previo para reducir el tamaño del espacio de hipótesis; y (iii) algoritmo, que usa conocimiento previo para alterar la búsqueda de la mejor hipótesis en el espacio de hipótesis dado. Con esta taxonomía, revisamos y discutimos los pros y contras de cada categoría. También se proponen direcciones prometedoras en aspectos de configuraciones del problema FSL, técnicas, aplicaciones y teorías para ofrecer perspectivas para futuras investigaciones.