One-Shot Learning

One-Shot Learning beschreibt die Fähigkeit eines Modells, anhand eines einzigen Beispiels eine neue Kategorie oder Aufgabe zu erkennen und korrekt zu verallgemeinern. Das ist ein deutlich anspruchsvolleres Szenario als das klassische Training mit Tausenden oder Millionen Beispielen pro Klasse.

Im Kontext großer Sprachmodelle bedeutet One-Shot Prompting, dass im Prompt ein einziges Beispiel mitgegeben wird, an dem sich das Modell orientieren soll, etwa "Übersetze: 'Hello' → 'Hallo'. Übersetze: 'Goodbye' →". Das Modell überträgt das Muster aus dem Beispiel auf den neuen Fall.

One-Shot Learning steht zwischen Zero-Shot (kein Beispiel) und Few-Shot Learning (mehrere Beispiele). In der Praxis ist es besonders relevant für Gesichtserkennung, medizinische Bilddiagnose oder seltene Klassifikationsaufgaben, bei denen pro Kategorie nur ein Referenzbild existiert.