---
title: "Few-shot és Zero-shot"
source: "https://systems-analysis.info/int/Few-shot_%C3%A9s_Zero-shot"
wiki: "systems-analysis.info/int"
article: "Few-shot_és_Zero-shot"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 2164
wiki_created_at: 2026-09-06T22:59:32Z
wiki_modified_at: 2026-09-06T22:59:32Z
downloaded_at: 2026-09-07T22:49:37Z
---

# Few-shot és Zero-shot

**Kevés példán alapuló tanulás (Few-shot Learning, FSL)** és **példa nélküli tanulás (Zero-shot Learning, ZSL)** — a gépi tanulás olyan paradigmái, amelyek a címkézett adatok hiányának problémájára kínálnak megoldást. Lehetővé teszik, hogy a modellek rendkívül korlátozott mennyiségű információ alapján tanuljanak és általánosítsák tudásukat, ami kulcsfontosságú a mesterséges intelligencia valós alkalmazásában, ahol nagy adathalmazok gyűjtése lehetetlen vagy nem célszerű.

## Az adathiány általánosan elterjedt problémája

A modern mélytanulási modellek lenyűgöző eredményeket mutatnak, hatékonyságuk azonban általában közvetlenül függ a hatalmas mennyiségű címkézett adattól. Az ilyen adatok gyűjtése és annotálása költséges, munkaigényes, és sokszor lehetetlen folyamat. Ez a probléma, amelyet „adatéhségnek" is neveznek, különösen éles az alábbi területeken:

- Ritka betegségek diagnosztikája.
- Speciális ipari gyártás.
- Robotika és ismeretlen tárgyakkal való interakció.
- Folyamatosan megjelenő új termékek vagy témák kategorizálása.

Az FSL és a ZSL megoldást kínál erre, a hangsúlyt a „nagy adatokról" az „okos adatokra" helyezve, a tudás hatékony átadására és általánosítására összpontosítva.

## Kevés példán alapuló tanulás (Few-shot Learning)

**Few-shot Learning (FSL)** — olyan paradigma, amelyben a modell nagyon kevés címkézett példa (általában 1–5) alapján tanulja meg felismerni az új osztályokat; ezeket a példákat **támogatókészletnek** (support set) nevezzük.

### Kulcsgondolat

Az FSL alapgondolata nem csupán az, hogy adott osztályok jellemzőit megtanulja, hanem hogy elsajátítsa magát a **tanulás folyamatát** (learning to learn). A modellnek gyorsan kell alkalmazkodnia új, korábban ismeretlen feladatokhoz, minimális számú példa segítségével. Ez az előzetesen megszerzett tudás és adaptációs stratégiák felhasználásával érhető el.

### Az FSL főbb megközelítései

- **Meta-tanulás („Tanulni a tanulást"):** Ez az FSL domináns paradigmája. A modell sokféle feladaton tanul, hogy hatékonyan alkalmazkodhasson újakhoz.
  - **Metrika-alapú:** A modellek (pl. sziámi hálók vagy prototipikus hálók) megtanulnak egy embedding-teret felépíteni, ahol a vektorok közötti távolság szemantikai közelséget tükröz. Egy új példa osztályozása úgy történik, hogy embedding-jét összehasonlítják a támogatókészlet embedding-jeivel.
  - **Optimalizálás-alapú:** A modellek (pl. MAML) megtanulják megtalálni azt a paraméter-inicializálást, amely lehetővé teszi az új feladathoz való gyors (néhány gradiens-lépéssel történő) finomhangolást.
- **Kontextuson belüli tanulás (In-Context Learning):** A nagy nyelvi modellek (LLM) megjelenésével népszerűvé vált az a megközelítés, ahol a támogatókészlet példáit közvetlenül a promptban adják meg a modellnek. A modell „implicit meta-tanulást" végez az inferencia során, a feladathoz alkalmazkodik a súlyok frissítése nélkül.

### Kibővített megközelítések az FSL-ben

- **One-shot Learning:** Az FSL speciális esete, amikor minden osztályhoz egyetlen példa áll rendelkezésre (K=1 az \\N-way K-shot\\ jelölésben). Klasszikus architekturális példák: Matching Networks és Siamese Networks.
- **Generatív módszerek és adataugmentáció:** Az FSL aktívan használ generatív modelleket (GAN, VAE, diffúziós modellek) további adatpéldányok szintetizálásához. Ez lehetővé teszi a támogatókészlet mesterséges bővítését és a klasszifikáció minőségének javítását, különösen ritka vagy szokatlan osztályok esetén.
- **Transzduktív FSL:** A szokásos (induktív) megközelítéssel ellentétben itt a modell az adaptáció során nemcsak a címkézett támogatókészletet veszi figyelembe, hanem az összes címkézetlen tesztpéldányt (lekérdezést) is. Ez lehetővé teszi a lekérdezések adatstruktúrájának megragadását, például címketerjedési (label propagation) technikák segítségével, és javítja az osztályozás robusztusságát.

## Példa nélküli tanulás (Zero-shot Learning)

**Zero-shot Learning (ZSL)** — olyan paradigma, amelyben a modell képes felismerni olyan osztályokat, amelyekből **egyetlen példát sem látott** a tanítási fázisban.

### Kulcsgondolat

Ezt **kiegészítő szemantikai információ** felhasználásával érik el, amely mind a látott, mind a nem látott osztályokat leírja. A modell megtanulja a leképezést a bemeneti jellemzőtérből (pl. képek) egy közös szemantikai térbe.

### A szemantikai információ mechanizmusai

- **Szemantikai attribútumok:** Az osztályokat ember által meghatározott attribútumok készlete írja le (pl. a „zebra" osztálynál: \[csíkos, patás, emlős\]).
- **Szóvektoros reprezentációk (Word Embeddings):** Az osztályok neveit vagy szöveges leírásait előre betanított nyelvi modellek (pl. Word2Vec, BERT) segítségével embedding-ekké alakítják.
- **Prompting LLM-ekben:** A multimodális modellek (pl. CLIP) megjelenésével a ZSL elvégezhető úgy, hogy a kép embedding-jét az osztályok szöveges leírásainak embedding-jeivel hasonlítják össze (pl. „fénykép egy kutyáról", „fénykép egy macskáról").

### A ZSL típusai: Hagyományos, Általánosított, Induktív és Transzduktív

- **Hagyományos ZSL:** A tesztelési fázisban a modellnek csak a nem látott osztályokból kell példányokat osztályoznia.
- **Általánosított ZSL (Generalized ZSL, GZSL):** Reálisabb és összetettebb forgatókönyv, amelyben a modellnek mind látott, mind nem látott osztályokból kell példányokat osztályoznia. Ez megköveteli, hogy a modell ne csak az újat ismerje fel, hanem a már ismert osztályoktól is meg tudja különböztetni, küzdve a látott osztályok felé mutató torzítással.
- **Induktív ZSL:** Szabványos felállás, ahol a modell kizárólag a látott osztályok adatain és szemantikai leírásain tanul, anélkül hogy bármilyen hozzáférése lenne a nem látott osztályok információihoz.
- **Transzduktív ZSL:** Fejlettebb séma, amelyben a modell a tanítás során felhasználhatja a nem látott osztályok címkézetlen példányait. Ez lehetővé teszi a szemantikai tér előzetes adaptálását és a végeredmény minőségének javítását.

### Generatív megközelítések a ZSL-ben

- **Nem látott osztályok jellemzőinek generálása:** A GZSL-ben fellépő torzítás kezelésére generatív modelleket (VAE, GAN) alkalmaznak széles körben. Ezek nem magát a képet szintetizálják, hanem a nem látott osztályok jellemzővektorait (embedding-jeit) szemantikai leírásaik alapján. Ez lehetővé teszi az adathalmaz kiegyensúlyozását a végső osztályozó betanításához.

## Összehasonlító elemzés és szinergia

| Szempont                              | Kevés példán alapuló tanulás (FSL)                                                   | Példa nélküli tanulás (ZSL)                                                                             |
|---------------------------------------|--------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------|
| Alapgondolat                          | Megtanulni gyorsan alkalmazkodni az új osztályokhoz néhány példa alapján.            | Megtanulni felismerni az új osztályokat szemantikai leírásaik alapján.                                  |
| Adatigény az új feladathoz/osztályhoz | Néhány címkézett példa (1–5) minden új osztályhoz.                                   | Nulla címkézett példa; szemantikai leírás szükséges.                                                    |
| Tudástranszfer                        | Eljárási tudás elsajátítása („hogyan alkalmazkodj") vagy jó jellemzőtér kialakítása. | Szemantikai kapcsolatok és attribútumok elsajátítása, tudástranszfer közös szemantikai téren keresztül. |
| Tipikus felhasználási esetek          | Gyors prototipizálás, személyre szabás, ritka objektumok felismerése, robotika.      | Új fajok azonosítása, újonnan megjelenő témák kategorizálása, teljesen új termékek feldolgozása.        |

Korlátozott adatokkal végzett tanulási paradigmák összehasonlítása

### Kulcsfontosságú árnyalatok és modern trendek

- **A Zero-shot Learning és a Zero-shot Prompting megkülönböztetése:** Fontos különbséget tenni e két fogalom között. A ZSL gépi tanulási architekturális paradigma, amely speciális modellt és szemantikai információt igényel. A Zero-shot Prompting egy alkalmazott prompt-engineering technika, ahol egy nagy nyelvi modell (pl. GPT-4) példák nélkül oldja meg a feladatot a promptban, kizárólag belső tudására támaszkodva.
- **A nagyméretű előtanítás szerepe:** Az FSL és a ZSL modern sikerei nagymértékben köszönhetők a nagy alapmodelleknek (BERT, CLIP, GPT-4). Hatalmas adathalmazokon végzett előtanításuk univerzális és szemantikailag gazdag embedding-frontendet hoz létre, amely kiváló alapot nyújt a gyors adaptációhoz és szemantikai következtetéshez adathiányos körülmények között.

Az FSL és a ZSL az adatfelhasználás hatékonyságának spektrumán különböző pontokat képviselnek, és gyakran együtt alkalmazzák őket. Például a ZSL felhasználható reprezentációk inicializálásához, amelyeket aztán FSL segítségével finomhangolnak, amint megjelennek az új osztály első példányai.

## Kulcsfontosságú kutatóintézetek és szereplők

Az FSL és a ZSL területén folyó kutatások aktívan zajlanak mind az akadémiai szférában, mind az ipari laboratóriumokban.

- **Egyetemek:** Stanford Egyetem, Pekingi Egyetem, Szingapúri Nemzeti Egyetem.
- **Ipari laboratóriumok:** Google AI, Meta AI, OpenAI.

A hatékony alapmodellek megjelenésével a kutatások fókusza eltolódott az FSL/ZSL specializált architektúráinak fejlesztéséről e modellek hatékony adaptációs módszerei felé.

## Irodalom

- 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.

## Lásd még

- Nagy nyelvi modellek