---
title: "Few-Shot and Zero-Shot Learning — التعلم بالقليل من الأمثلة والتعلم بدون أمثلة"
source: "https://systems-analysis.info/int/Few-Shot_and_Zero-Shot_Learning_%E2%80%94_%D8%A7%D9%84%D8%AA%D8%B9%D9%84%D9%85_%D8%A8%D8%A7%D9%84%D9%82%D9%84%D9%8A%D9%84_%D9%85%D9%86_%D8%A7%D9%84%D8%A3%D9%85%D8%AB%D9%84%D8%A9_%D9%88%D8%A7%D9%84%D8%AA%D8%B9%D9%84%D9%85_%D8%A8%D8%AF%D9%88%D9%86_%D8%A3%D9%85%D8%AB%D9%84%D8%A9"
wiki: "systems-analysis.info/int"
article: "Few-Shot_and_Zero-Shot_Learning_—_التعلم_بالقليل_من_الأمثلة_والتعلم_بدون_أمثلة"
language: "ar"
categories:
  - "Category:Arabic"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 2145
wiki_created_at: 2026-09-06T22:59:17Z
wiki_modified_at: 2026-09-06T22:59:17Z
downloaded_at: 2026-09-07T22:49:32Z
---

# Few-Shot and Zero-Shot Learning — التعلم بالقليل من الأمثلة والتعلم بدون أمثلة

**التعلم بالقليل من الأمثلة (Few-shot Learning, FSL)** و**التعلم بدون أمثلة (Zero-shot Learning, ZSL)** هما نموذجان في تعلم الآلة يهدفان إلى حل مشكلة نقص البيانات المصنفة. يسمحان للنماذج بالتعلم وتعميم المعرفة بناءً على كمية محدودة جدًا من المعلومات، وهو أمر أساسي لتطبيق الذكاء الاصطناعي في سيناريوهات العالم الحقيقي حيث يكون جمع مجموعات بيانات كبيرة أمرًا مستحيلًا أو غير عملي.

## المشكلة الشائعة لنقص البيانات

تُظهر نماذج التعلم العميق الحديثة نتائج مذهلة، لكن فعاليتها، كقاعدة عامة، تعتمد بشكل مباشر على كميات هائلة من البيانات المصنفة. يعد جمع هذه البيانات وتصنيفها عملية مكلفة وتستغرق وقتًا طويلاً، وغالبًا ما تكون مستحيلة. هذه المشكلة، المعروفة باسم «جوع المعلومات»، حادة بشكل خاص في مجالات مثل:

- تشخيص الأمراض النادرة.
- الإنتاج الصناعي المتخصص.
- الروبوتات والتفاعل مع كائنات جديدة.
- تصنيف المنتجات أو الموضوعات الجديدة التي تظهر باستمرار.

يقدم FSL و ZSL حلاً عن طريق تحويل التركيز من «البيانات الضخمة» إلى «البيانات الذكية»، مع التركيز على النقل الفعال للمعرفة وتعميمها.

## Few-shot Learning - التعلم بالقليل من الأمثلة

**التعلم بالقليل من الأمثلة (Few-shot Learning, FSL)** هو نموذج يتعلم فيه النموذج التعرف على فئات جديدة بناءً على عدد قليل جدًا من الأمثلة المصنفة (عادة من 1 إلى 5)، والتي تسمى **مجموعة الدعم** (support set).

### الفكرة الأساسية

الفكرة الرئيسية لـ FSL ليست مجرد دراسة السمات لفئات معينة، بل تعلم **عملية التعلم** نفسها (learning to learn). يجب أن يتكيف النموذج بسرعة مع مهام جديدة وغير مألوفة سابقًا، باستخدام الحد الأدنى من الأمثلة. يتم تحقيق ذلك من خلال استخدام المعرفة المكتسبة مسبقًا واستراتيجيات التكيف.

### المنهجيات الأساسية في FSL

- **التعلم التلوي («تعلم التعلم»):** هذا هو النموذج السائد في FSL. يتم تدريب النموذج على مجموعة متنوعة من المهام لتعلم كيفية التكيف بفعالية مع المهام الجديدة.
  - **القائمة على المقاييس:** تتعلم النماذج (مثل الشبكات السيامية أو الشبكات الأولية) بناء فضاء تضمينات حيث تعكس المسافة بين المتجهات التقارب الدلالي. يتم تصنيف مثال جديد عن طريق مقارنة تضمينه بتضمينات من مجموعة الدعم.
  - **القائمة على التحسين:** تتعلم النماذج (مثل MAML) إيجاد تهيئة للمعلمات تسمح بإعادة التدريب بسرعة (في بضع خطوات من الانحدار التدريجي) لمهمة جديدة.
- **التعلم ضمن السياق (In-Context Learning):** مع ظهور نماذج اللغة الكبيرة (LLM)، أصبحت هذه المنهجية شائعة، حيث يتم تقديم أمثلة من مجموعة الدعم للنموذج مباشرة في الموجه. يقوم النموذج بإجراء «تعلم تلوي ضمني» أثناء الاستدلال، متكيفًا مع المهمة دون تحديث الأوزان.

### المنهجيات المتقدمة في FSL

- **One-shot Learning:** هذه حالة خاصة من FSL، حيث يكون عدد الأمثلة لكل فئة واحدًا (K=1 في ترميز "N-way K-shot"). من الأمثلة الكلاسيكية على البنى الشبكات المطابقة (Matching Networks) والشبكات السيامية (Siamese Networks).
- **الأساليب التوليدية وتعزيز البيانات:** يستخدم FSL بنشاط النماذج التوليدية (GAN, VAE، النماذج الانتشارية) لتوليف أمثلة بيانات إضافية. هذا يسمح بتوسيع مجموعة الدعم بشكل مصطنع وتحسين جودة التصنيف، خاصة للفئات النادرة أو غير العادية.
- **FSL التجاوزي:** على عكس النهج القياسي (الاستقرائي)، هنا يأخذ النموذج في الاعتبار عند التكيف ليس فقط مجموعة الدعم المصنفة، ولكن أيضًا مجموعة كاملة من أمثلة الاختبار غير المصنفة (الاستعلامات). هذا يسمح بالتقاط بنية البيانات في الاستعلامات، على سبيل المثال، باستخدام تقنيات نشر التصنيفات (label propagation)، وزيادة استقرار التصنيف.

## Zero-shot Learning - التعلم بدون أمثلة

**التعلم بدون أمثلة (Zero-shot Learning, ZSL)** هو نموذج يكون فيه النموذج قادرًا على التعرف على فئات لم يرَ **أي مثال** منها أثناء مرحلة التدريب.

### الفكرة الأساسية

يتم تحقيق ذلك من خلال استخدام **معلومات دلالية مساعدة** تصف كلاً من الفئات المرئية وغير المرئية. يتعلم النموذج إنشاء إسقاط من فضاء السمات المدخلة (مثل الصور) إلى فضاء دلالي مشترك.

### آليات المعلومات الدلالية

- **السمات الدلالية:** يتم وصف الفئات بمجموعة من السمات التي يحددها الإنسان (على سبيل المثال، لفئة «الحمار الوحشي»: \[له_خطوط، له_حوافر، هو_من_الثدييات\]).
- **تضمينات الكلمات (Word Embeddings):** يتم تحويل أسماء الفئات أو أوصافها النصية إلى تضمينات باستخدام نماذج لغوية مدربة مسبقًا (مثل Word2Vec, BERT).
- **التوجيه في نماذج اللغة الكبيرة (LLM):** مع ظهور النماذج متعددة الوسائط، مثل CLIP، يمكن إجراء ZSL عن طريق مقارنة تضمين الصورة بتضمينات الأوصاف النصية للفئات (مثل «صورة كلب»، «صورة قطة»).

### أنواع ZSL: التقليدي، والمعمّم، والاستقرائي، والتجاوزي

- **ZSL التقليدي:** في مرحلة الاختبار، يجب على النموذج تصنيف الأمثلة من الفئات غير المرئية فقط.
- **ZSL المُعمَّم (Generalized ZSL, GZSL):** سيناريو أكثر واقعية وتعقيدًا، حيث يجب على النموذج تصنيف الأمثلة من الفئات المرئية وغير المرئية على حد سواء. يتطلب هذا من النموذج ليس فقط التعرف على الجديد، ولكن أيضًا تمييزه عن المألوف بالفعل، ومكافحة التحيز نحو الفئات المرئية.
- **ZSL الاستقرائي:** الإعداد القياسي، حيث يتم تدريب النموذج فقط على بيانات وأوصاف دلالية للفئات المرئية، دون أي وصول إلى معلومات حول الفئات غير المرئية.
- **ZSL التجاوزي:** مخطط أكثر تقدمًا، حيث يمكن للنموذج أثناء التدريب استخدام أمثلة غير مصنفة من الفئات غير المرئية. هذا يسمح بتكييف الفضاء الدلالي مسبقًا وتحسين الجودة النهائية.

### المنهجيات التوليدية في ZSL

- **توليد سمات الفئات غير المرئية:** لحل مشكلة التحيز في GZSL، تُستخدم النماذج التوليدية (VAE, GAN) على نطاق واسع. هي لا تولّد الصور نفسها، بل متجهات سماتها (التضمينات) للفئات غير المرئية بناءً على أوصافها الدلالية. هذا يسمح بموازنة مجموعة البيانات لتدريب المصنف النهائي.

## تحليل مقارن وتآزر

| الجانب                                | التعلم بالقليل من الأمثلة (FSL)                                           | التعلم بدون أمثلة (ZSL)                                                            |
|---------------------------------------|---------------------------------------------------------------------------|------------------------------------------------------------------------------------|
| الفكرة الأساسية                       | تعلم كيفية التكيف بسرعة مع الفئات الجديدة بناءً على بضعة أمثلة.            | تعلم كيفية التعرف على الفئات الجديدة بناءً على أوصافها الدلالية.                    |
| متطلبات البيانات للمهمة/الفئة الجديدة | بضعة أمثلة مصنفة (1-5) لكل فئة جديدة.                                     | صفر من الأمثلة المصنفة؛ يتطلب وصفًا دلاليًا.                                         |
| نقل المعرفة                           | تعلم المعرفة الإجرائية («كيفية التكيف») أو فضاء سمات جيد.                 | تعلم العلاقات والسمات الدلالية، ونقل المعرفة عبر فضاء دلالي مشترك.                 |
| حالات الاستخدام النموذجية             | النماذج الأولية السريعة، التخصيص، التعرف على الكائنات النادرة، الروبوتات. | اكتشاف أنواع جديدة، تصنيف الموضوعات الناشئة، معالجة أنواع جديدة تمامًا من المنتجات. |

مقارنة بين نماذج التعلم محدودة البيانات

### الفروق الدقيقة والاتجاهات الحديثة

- **الفرق بين التعلم بدون أمثلة (Zero-shot Learning) والتوجيه بدون أمثلة (Zero-shot Prompting):** من المهم التمييز بين هذين المفهومين. ZSL هو نموذج معماري لتعلم الآلة يتطلب نموذجًا خاصًا ومعلومات دلالية. أما التوجيه بدون أمثلة (Zero-shot Prompting) فهو تقنية تطبيقية في هندسة الموجهات، حيث يقوم نموذج لغة كبير (مثل GPT-4) بحل مهمة دون أمثلة في الموجه، معتمدًا حصريًا على معرفته الداخلية.
- **دور التدريب المسبق واسع النطاق:** يُعزى النجاح الحديث لـ FSL و ZSL إلى حد كبير إلى النماذج الأساسية القوية (BERT, CLIP, GPT-4). إن تدريبها المسبق على كميات هائلة من البيانات يخلق واجهة أمامية للتضمين عالمية وغنية دلاليًا، والتي تعمل كأساس ممتاز للتكيف السريع والاستدلال الدلالي في ظروف نقص البيانات.

يمثل FSL و ZSL نقاطًا مختلفة على طيف كفاءة استخدام البيانات وغالبًا ما يتم استخدامهما معًا. على سبيل المثال، يمكن استخدام ZSL لتهيئة التمثيلات التي يتم بعد ذلك ضبطها باستخدام FSL عند ظهور الأمثلة الأولى لفئة جديدة.

## المؤسسات البحثية والمشاركون الرئيسيون

تجري الأبحاث في مجال FSL و ZSL بنشاط في كل من الأوساط الأكاديمية والمختبرات الصناعية.

- **الجامعات:** جامعة ستانفورد، جامعة بكين، جامعة سنغافورة الوطنية.
- **المختبرات الصناعية:** Google AI, Meta AI, OpenAI.

مع ظهور النماذج الأساسية القوية، تحول تركيز الأبحاث من تطوير معماريات متخصصة لـ FSL/ZSL إلى طرق التكيف الفعال لهذه النماذج.

## انظر أيضًا

- Large language models

## المراجع

- Finn, C. et al. (2017). *Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks*. <a href="https://arxiv.org/abs/1703.03400" class="external text" rel="nofollow">arXiv:1703.03400</a>.
- Koch, G. et al. (2015). *Siamese Neural Networks for One-Shot Image Recognition*. <a href="https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf" class="external text" rel="nofollow">PDF</a>.
- Vinyals, O. et al. (2016). *Matching Networks for One Shot Learning*. <a href="https://arxiv.org/abs/1606.04080" class="external text" rel="nofollow">arXiv:1606.04080</a>.
- Snell, J. et al. (2017). *Prototypical Networks for Few-Shot Learning*. <a href="https://arxiv.org/abs/1703.05175" class="external text" rel="nofollow">arXiv:1703.05175</a>.
- Sung, F. et al. (2018). *Learning to Compare: Relation Network for Few-Shot Learning*. <a href="https://arxiv.org/abs/1711.06025" class="external text" rel="nofollow">arXiv:1711.06025</a>.
- Chen, Y. et al. (2021). *Meta-Baseline: Exploring Simple Meta-Learning for Few-Shot Learning*. <a href="https://arxiv.org/abs/2003.04390" class="external text" rel="nofollow">arXiv:2003.04390</a>.
- Wang, Y. et al. (2020). *Generalizing from a Few Examples: A Survey on Few-Shot Learning*. <a href="https://arxiv.org/abs/1904.05046" class="external text" rel="nofollow">arXiv:1904.05046</a>.
- Xian, Y. et al. (2018). *Zero-Shot Learning — A Comprehensive Evaluation of the State of the Art*. <a href="https://arxiv.org/abs/1707.00600" class="external text" rel="nofollow">arXiv:1707.00600</a>.
- Verma, V. K. et al. (2018). *Generalized Zero-Shot Learning via Synthesized Examples*. <a href="https://arxiv.org/abs/1712.03878" class="external text" rel="nofollow">arXiv:1712.03878</a>.
- Radford, A. et al. (2021). *Learning Transferable Visual Models from Natural Language Supervision*. <a href="https://arxiv.org/abs/2103.00020" class="external text" rel="nofollow">arXiv:2103.00020</a>.
- Xian, Y. et al. (2019). *Zero-Shot Learning via Simultaneous Generating and Learning*. <a href="https://arxiv.org/abs/1910.09446" class="external text" rel="nofollow">arXiv:1910.09446</a>.
- Verma, V. K. et al. (2017). *Zero-Shot Learning via Generative Adversarial Training of Class-Conditional Feature Vectors*. <a href="https://arxiv.org/abs/1712.00981" class="external text" rel="nofollow">arXiv:1712.00981</a>.