【第13章：自监督学习与少样本学习—13.2 少样本学习（FSL）与元学习（Meta-Learning）的基础理论与应用案例】

凌晨三点的急诊室，值班医生李大夫正在使用AI辅助诊断系统——面对一张仅有3个标注病例的罕见皮肤病影像，系统竟然给出了95%置信度的准确诊断。这种"见微知著"的超能力，正是少样本学习技术创造的医学奇迹。

一、突破数据荒漠：少样本学习的生存法则

1.1 从人类学习获得的启示

（动态图示：展示人类如何通过少量样本快速学习新概念）

举个栗子：
教小朋友认识"独角兽"：只需要展示2-3张插画，解释"马的身体+螺旋角"的特征组合，孩子就能在动物园里认出各种形态的独角兽玩偶。这种能力背后，是强大的先验知识（知道马和角是什么）与组合推理能力的完美结合。

核心公式：

泛化能力 = 先验知识 × 特征组合能力 / 任务复杂度

1.2 少样本学习三要素

1.2.1 元知识库构建

（代码示例：使用对比学习构建特征空间）