---
title: "Few-Shot and Zero-Shot Learning — স্বল্প উদাহরণ ও উদাহরণবিহীন শিক্ষণ"
source: "https://systems-analysis.info/int/Few-Shot_and_Zero-Shot_Learning_%E2%80%94_%E0%A6%B8%E0%A7%8D%E0%A6%AC%E0%A6%B2%E0%A7%8D%E0%A6%AA_%E0%A6%89%E0%A6%A6%E0%A6%BE%E0%A6%B9%E0%A6%B0%E0%A6%A3_%E0%A6%93_%E0%A6%89%E0%A6%A6%E0%A6%BE%E0%A6%B9%E0%A6%B0%E0%A6%A3%E0%A6%AC%E0%A6%BF%E0%A6%B9%E0%A7%80%E0%A6%A8_%E0%A6%B6%E0%A6%BF%E0%A6%95%E0%A7%8D%E0%A6%B7%E0%A6%A3"
wiki: "systems-analysis.info/int"
article: "Few-Shot_and_Zero-Shot_Learning_—_স্বল্প_উদাহরণ_ও_উদাহরণবিহীন_শিক্ষণ"
language: "bn"
categories:
  - "Category:Bengali"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 2148
wiki_created_at: 2026-09-06T22:59:19Z
wiki_modified_at: 2026-09-06T22:59:19Z
downloaded_at: 2026-09-07T22:49:32Z
---

# Few-Shot and Zero-Shot Learning — স্বল্প উদাহরণ ও উদাহরণবিহীন শিক্ষণ

**স্বল্প উদাহরণ-ভিত্তিক শিক্ষণ (Few-shot Learning, FSL)** এবং **উদাহরণবিহীন শিক্ষণ (Zero-shot Learning, ZSL)** — এগুলো Machine Learning-এর এমন দুটি প্যারাডাইম যা চিহ্নিত ডেটার স্বল্পতার সমস্যা সমাধানে নিবেদিত। এগুলো মডেলগুলোকে অত্যন্ত সীমিত পরিমাণ তথ্যের ভিত্তিতে শেখার এবং জ্ঞান সাধারণীকরণের সুযোগ দেয়, যা বাস্তব পরিস্থিতিতে কৃত্রিম বুদ্ধিমত্তার প্রয়োগের জন্য অপরিহার্য — যেখানে বড় dataset সংগ্রহ করা অসম্ভব বা অনুচিত।

## ডেটার স্বল্পতার সর্বব্যাপী সমস্যা

আধুনিক গভীর শিক্ষণ মডেলগুলো চমকপ্রদ ফলাফল প্রদর্শন করে, তবে তাদের কার্যকারিতা সাধারণত সরাসরি বিশাল পরিমাণ চিহ্নিত ডেটার উপর নির্ভরশীল। এই ধরনের ডেটা সংগ্রহ ও টীকাকরণ একটি ব্যয়বহুল, শ্রমসাধ্য এবং প্রায়ই অসম্ভব প্রক্রিয়া। এই সমস্যা, যা "তথ্য-ক্ষুধা" নামে পরিচিত, বিশেষভাবে তীব্রভাবে অনুভূত হয় নিচের মতো ক্ষেত্রগুলোতে:

- বিরল রোগের রোগ নির্ণয়।
- বিশেষায়িত শিল্প উৎপাদন।
- রোবোটিক্স এবং নতুন বস্তুর সাথে মিথস্ক্রিয়া।
- ক্রমাগত আবির্ভূত হওয়া নতুন পণ্য বা বিষয়ের শ্রেণীকরণ।

FSL এবং ZSL একটি সমাধান প্রদান করে, "বিগ ডেটা" থেকে "স্মার্ট ডেটা"-তে মনোযোগ সরিয়ে কার্যকর জ্ঞান স্থানান্তর ও সাধারণীকরণে মনোনিবেশ করে।

## স্বল্প উদাহরণ-ভিত্তিক শিক্ষণ (Few-shot Learning)

**Few-shot Learning (FSL)** হলো এমন একটি প্যারাডাইম যেখানে মডেল অত্যন্ত অল্প সংখ্যক চিহ্নিত উদাহরণের (সাধারণত ১ থেকে ৫টি) ভিত্তিতে নতুন শ্রেণী চিনতে শেখে, এই উদাহরণগুলোকে **সাপোর্ট সেট** (support set) বলা হয়।

### মূল ধারণা

FSL-এর মূল ধারণা হলো নির্দিষ্ট শ্রেণীর বৈশিষ্ট্য শেখার পরিবর্তে **শেখার প্রক্রিয়াটিই শেখা** (learning to learn)। মডেলটিকে ন্যূনতম সংখ্যক উদাহরণ ব্যবহার করে নতুন, পূর্বে অপরিচিত কাজে দ্রুত অভিযোজিত হতে সক্ষম হতে হবে। এটি পূর্ব-অর্জিত জ্ঞান ও অভিযোজন কৌশলের ব্যবহারের মাধ্যমে অর্জিত হয়।

### FSL-এর প্রধান পদ্ধতিসমূহ

- **মেটা-লার্নিং ("শেখার শেখা"):** এটি FSL-এর প্রভাবশালী প্যারাডাইম। মডেলটি বিভিন্ন ধরনের বহু কাজে প্রশিক্ষিত হয় যাতে নতুন কাজে কার্যকরভাবে অভিযোজিত হতে শেখে।
  - **মেট্রিক-ভিত্তিক:** মডেলগুলো (যেমন সিয়ামিজ বা প্রোটোটাইপিক্যাল নেটওয়ার্ক) এমন embedding স্থান তৈরি করতে শেখে যেখানে ভেক্টরের মধ্যে দূরত্ব অর্থগত নৈকট্য প্রতিফলিত করে। নতুন উদাহরণের শ্রেণীকরণ তার embedding-কে সাপোর্ট সেটের embedding-এর সাথে তুলনা করে করা হয়।
  - **অপ্টিমাইজেশন-ভিত্তিক:** মডেলগুলো (যেমন MAML) এমন প্যারামিটার ইনিশিয়ালাইজেশন খুঁজে বের করতে শেখে যা নতুন কাজের জন্য দ্রুত (কয়েক ধাপের গ্রেডিয়েন্ট ডিসেন্টে) fine-tuning করার সুযোগ দেয়।
- **ইন-কনটেক্সট লার্নিং (In-Context Learning):** বৃহৎ ভাষা মডেলের (LLM) আবির্ভাবের সাথে সাথে এমন একটি পদ্ধতি জনপ্রিয় হয়েছে যেখানে সাপোর্ট সেটের উদাহরণগুলো সরাসরি prompt-এ মডেলকে দেওয়া হয়। মডেলটি ইনফারেন্সের সময় "অন্তর্নিহিত মেটা-লার্নিং" সম্পাদন করে, ওজন আপডেট ছাড়াই কাজে অভিযোজিত হয়।

### FSL-এর উন্নত পদ্ধতিসমূহ

- **One-shot Learning:** এটি FSL-এর একটি বিশেষ ক্ষেত্র যেখানে প্রতিটি শ্রেণীর জন্য উদাহরণের সংখ্যা একটি ("N-way K-shot" নোটেশনে K=1)। ক্লাসিক আর্কিটেকচারের উদাহরণ — Matching Networks এবং Siamese Networks।
- **জেনারেটিভ পদ্ধতি ও ডেটা অগমেন্টেশন:** FSL সক্রিয়ভাবে জেনারেটিভ মডেল (GAN, VAE, ডিফিউশন মডেল) ব্যবহার করে অতিরিক্ত ডেটা উদাহরণ সংশ্লেষণের জন্য। এটি কৃত্রিমভাবে সাপোর্ট সেট বিস্তার করতে এবং শ্রেণীকরণের মান উন্নত করতে সক্ষম করে, বিশেষত বিরল বা অস্বাভাবিক শ্রেণীর জন্য।
- **ট্রান্সডাক্টিভ FSL:** স্ট্যান্ডার্ড (ইন্ডাক্টিভ) পদ্ধতির বিপরীতে, এখানে মডেলটি অভিযোজনের সময় কেবল চিহ্নিত সাপোর্ট সেটই নয়, বরং সমস্ত অচিহ্নিত টেস্ট উদাহরণের (কোয়েরি) সমগ্রতাও বিবেচনা করে। এটি কোয়েরিতে ডেটার কাঠামো ধরতে সক্ষম করে, যেমন লেবেল প্রপাগেশন কৌশলের সাহায্যে, এবং শ্রেণীকরণের দৃঢ়তা বৃদ্ধি করে।

## উদাহরণবিহীন শিক্ষণ (Zero-shot Learning)

**Zero-shot Learning (ZSL)** হলো এমন একটি প্যারাডাইম যেখানে মডেল এমন শ্রেণীগুলো চিনতে সক্ষম যার **একটিও উদাহরণ** সে প্রশিক্ষণের পর্যায়ে দেখেনি।

### মূল ধারণা

এটি **সহায়ক অর্থগত তথ্য** ব্যবহারের মাধ্যমে অর্জিত হয়, যা দেখা এবং না-দেখা উভয় শ্রেণীকেই বর্ণনা করে। মডেলটি ইনপুট বৈশিষ্ট্য স্থান (যেমন, ছবি) থেকে একটি সাধারণ অর্থগত স্থানে ম্যাপিং শেখে।

### অর্থগত তথ্যের প্রক্রিয়াসমূহ

- **অর্থগত বৈশিষ্ট্য:** শ্রেণীগুলোকে মানব-সংজ্ঞায়িত বৈশিষ্ট্যের সেট দিয়ে বর্ণনা করা হয় (যেমন, "জেব্রা" শ্রেণীর জন্য: \[ডোরা\_আছে, খুর_আছে, স্তন্যপায়ী\_প্রাণী\])।
- **শব্দ ভেক্টর উপস্থাপনা (Word Embeddings):** শ্রেণীর নাম বা তাদের পাঠ্য বিবরণ পূর্ব-প্রশিক্ষিত ভাষা মডেল (যেমন, Word2Vec, BERT) ব্যবহার করে embedding-এ রূপান্তরিত হয়।
- **LLM-এ Prompting:** CLIP-এর মতো মাল্টিমোডাল মডেলের আবির্ভাবের সাথে, ZSL ছবির embedding-কে শ্রেণীর পাঠ্য বিবরণের embedding-এর সাথে তুলনা করে সম্পাদন করা যায় (যেমন, "কুকুরের ছবি", "বিড়ালের ছবি")।

### ZSL-এর প্রকারভেদ: ঐতিহ্যগত, সাধারণীকৃত, ইন্ডাক্টিভ এবং ট্রান্সডাক্টিভ

- **ঐতিহ্যগত ZSL:** পরীক্ষার পর্যায়ে মডেলকে শুধুমাত্র না-দেখা শ্রেণী থেকে উদাহরণ শ্রেণীবদ্ধ করতে হবে।
- **সাধারণীকৃত ZSL (Generalized ZSL, GZSL):** একটি আরও বাস্তবসম্মত ও জটিল পরিস্থিতি, যেখানে মডেলকে দেখা এবং না-দেখা উভয় শ্রেণী থেকে উদাহরণ শ্রেণীবদ্ধ করতে হবে। এটি মডেলের কাছ থেকে কেবল নতুন জিনিস চেনার নয়, বরং পরিচিত থেকে পার্থক্য করার দক্ষতাও দাবি করে, দেখা শ্রেণীর দিকে পক্ষপাতের বিরুদ্ধে লড়াই করে।
- **ইন্ডাক্টিভ ZSL:** স্ট্যান্ডার্ড সংজ্ঞা, যেখানে মডেল শুধুমাত্র দেখা শ্রেণীর ডেটা ও অর্থগত বিবরণে প্রশিক্ষিত হয়, না-দেখা শ্রেণীর তথ্যে কোনো অ্যাক্সেস ছাড়াই।
- **ট্রান্সডাক্টিভ ZSL:** আরও উন্নত একটি পদ্ধতি, যেখানে মডেল প্রশিক্ষণের সময় না-দেখা শ্রেণীর অচিহ্নিত উদাহরণ ব্যবহার করতে পারে। এটি অর্থগত স্থানকে আগে থেকে অভিযোজিত করতে এবং চূড়ান্ত মান উন্নত করতে সক্ষম করে।

### ZSL-এ জেনারেটিভ পদ্ধতিসমূহ

- **না-দেখা শ্রেণীর বৈশিষ্ট্য উৎপাদন:** GZSL-এ পক্ষপাতের সমস্যা সমাধানে জেনারেটিভ মডেল (VAE, GAN) ব্যাপকভাবে ব্যবহৃত হয়। এগুলো সরাসরি ছবি নয়, বরং না-দেখা শ্রেণীর বৈশিষ্ট্য ভেক্টর (embedding) তাদের অর্থগত বিবরণের ভিত্তিতে সংশ্লেষণ করে। এটি চূড়ান্ত শ্রেণীকারকের প্রশিক্ষণের জন্য dataset-কে ভারসাম্যপূর্ণ করতে সক্ষম করে।

## তুলনামূলক বিশ্লেষণ ও সমন্বয়

| দিক                                 | স্বল্প উদাহরণ-ভিত্তিক শিক্ষণ (FSL)                                      | উদাহরণবিহীন শিক্ষণ (ZSL)                                                     |
|-------------------------------------|---------------------------------------------------------------------|-----------------------------------------------------------------------------|
| মূল ধারণা                            | কয়েকটি উদাহরণের ভিত্তিতে নতুন শ্রেণীতে দ্রুত অভিযোজিত হতে শেখা।          | শ্রেণীর অর্থগত বিবরণের ভিত্তিতে নতুন শ্রেণী চিনতে শেখা।                          |
| নতুন কাজ/শ্রেণীর জন্য ডেটার প্রয়োজনীয়তা | প্রতিটি নতুন শ্রেণীর জন্য কয়েকটি চিহ্নিত উদাহরণ (১-৫)।                   | শূন্য চিহ্নিত উদাহরণ; অর্থগত বিবরণ প্রয়োজন।                                      |
| জ্ঞান স্থানান্তর                       | পদ্ধতিগত জ্ঞান শেখা ("কীভাবে অভিযোজিত হতে হবে") বা ভালো বৈশিষ্ট্য স্থান। | অর্থগত সম্পর্ক ও বৈশিষ্ট্য শেখা, সাধারণ অর্থগত স্থানের মাধ্যমে জ্ঞান স্থানান্তর।       |
| সাধারণ ব্যবহারের ক্ষেত্র               | দ্রুত প্রোটোটাইপিং, ব্যক্তিগতকরণ, বিরল বস্তু চেনা, রোবোটিক্স।               | নতুন প্রজাতি সনাক্তকরণ, উদীয়মান বিষয় শ্রেণীকরণ, সম্পূর্ণ নতুন ধরনের পণ্য প্রক্রিয়াকরণ। |

সীমিত ডেটা সহ শিক্ষণ প্যারাডাইমের তুলনা

### মূল সূক্ষ্মতা ও আধুনিক প্রবণতা

- **Zero-shot Learning এবং Zero-shot Prompting-এর মধ্যে পার্থক্য:** এই ধারণাগুলোর মধ্যে পার্থক্য করা গুরুত্বপূর্ণ। ZSL হলো Machine Learning-এর একটি আর্কিটেকচারাল প্যারাডাইম, যার জন্য বিশেষ মডেল ও অর্থগত তথ্য প্রয়োজন। Zero-shot Prompting হলো prompt engineering-এর একটি প্রায়োগিক কৌশল, যেখানে একটি বৃহৎ ভাষা মডেল (যেমন, GPT-4) prompt-এ কোনো উদাহরণ ছাড়াই শুধুমাত্র তার অভ্যন্তরীণ জ্ঞানের উপর নির্ভর করে কাজ সম্পাদন করে।
- **বড় আকারের পূর্ব-প্রশিক্ষণের ভূমিকা:** FSL এবং ZSL-এর আধুনিক সাফল্য মূলত শক্তিশালী ফাউন্ডেশন মডেলগুলোর (BERT, CLIP, GPT-4) কারণে। বিশাল ডেটায় তাদের পূর্ব-প্রশিক্ষণ একটি সর্বজনীন ও অর্থগতভাবে সমৃদ্ধ embedding ভিত্তি তৈরি করে, যা ডেটার স্বল্পতার পরিস্থিতিতে দ্রুত অভিযোজন ও অর্থগত অনুমানের জন্য একটি চমৎকার ভিত্তি হিসেবে কাজ করে।

FSL এবং ZSL ডেটা ব্যবহারের দক্ষতার বর্ণালীতে বিভিন্ন বিন্দু উপস্থাপন করে এবং প্রায়ই একসাথে ব্যবহৃত হয়। উদাহরণস্বরূপ, ZSL উপস্থাপনা ইনিশিয়ালাইজ করতে ব্যবহার করা যেতে পারে, যা পরে FSL ব্যবহার করে fine-tune করা হয় যখন নতুন শ্রেণীর প্রথম উদাহরণগুলো পাওয়া যায়।

## মূল গবেষণা প্রতিষ্ঠান ও অংশগ্রহণকারীসমূহ

FSL এবং ZSL-এর গবেষণা একাডেমিক মহল এবং শিল্প গবেষণাগার উভয়তেই সক্রিয়ভাবে পরিচালিত হচ্ছে।

- **বিশ্ববিদ্যালয়:** স্ট্যানফোর্ড বিশ্ববিদ্যালয়, পেকিং বিশ্ববিদ্যালয়, সিঙ্গাপুরের জাতীয় বিশ্ববিদ্যালয়।
- **শিল্প গবেষণাগার:** Google AI, Meta AI, OpenAI।

শক্তিশালী ফাউন্ডেশন মডেলগুলোর আবির্ভাবের সাথে সাথে গবেষণার মনোযোগ FSL/ZSL-এর জন্য বিশেষায়িত আর্কিটেকচার উন্নয়ন থেকে এই মডেলগুলোর কার্যকর অভিযোজনের পদ্ধতির দিকে সরে গেছে।

## সাহিত্য

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

## আরও দেখুন

- বৃহৎ ভাষা মডেল