フューショット学習とは、わずか数個の少ない学習データ（例や見本）を与えるだけで、新しいタスクや分類を高精度に実行できるようにする機械学習の手法です。従来の深層学習のように大量のラベル付きデータを収集・学習させる必要がなく、データ準備のコストや時間を大幅に削減できる技術として注目されています。
フューショット学習とは
フューショット学習とは、わずか数個の提示事例（サンプル）からパターンを理解し、未知のタスクや分類をこなせるようにする機械学習の技術です。
詳しく解説
従来の機械学習や深層学習では、モデルが特定の分類タスクを学習する際に数千から数万件のラベル付きデータを必要としていました。しかし、フューショット学習では、事前に広範な知識を学ばせた基盤モデルを利用し、数件の見本を与えるだけで新しい課題に対応します。この手法を実現する背景には、メタ学習やプロンプトに事例を埋め込んで指示を出すプロンプト学習の進化があります。大量のデータ収集が難しい分野や、頻繁に分類基準が変わるビジネスシーンでの適応力を高める上で重要な技術であり、転移学習の応用形態としても位置づけられます。
具体例・使われ方
大規模言語モデルにおいて、文章の感情分析を行う際に「入力：この商品は素晴らしい。出力：ポジティブ」「入力：配送が遅かった。出力：ネガティブ」といった2〜3個の例をプロンプトに含めて推論させる使い方が代表的です。また、医療画像の診断支援において、症例数が非常に少ない希少疾患の画像を数枚だけ提示して自動分類させる画像認識システムなどでも活用されます。
似た用語との違い
提示事例がゼロの状態で回答を求めるゼロショット学習とは、数個の見本を与える点で異なります。事例を1つだけ与える手法はワンショット学習と呼ばれます。また、モデル全体のパラメータを膨大なデータで更新するファインチューニングとは異なり、フューショット学習は追加の重み更新なしにプロンプト等の入力工夫だけで目的のタスクを実行できる点が特徴です。
注意点
提示する数個の事例の品質や順序によって、モデルの出力精度が大きく変動するリスクがあります。また、まったく異なる領域の複雑なタスクでは、数個の事例だけでは不十分であり、十分な精度が得られない場合があります。万能な手法ではないため、ファインチューニングなど他の手法との適切な使い分けが必要です。