资料的可得性决定机器（深度）学习算法的可靠度。过去已经有许多研究指出，同一个算法，当（标注的）训练资料愈多时，通常算法的正确率或是稳定度就越高。但在真实的情境中，训练资料通常是缺乏的，成为应用落地的障碍。

资料不足，通常原因是资料的可得性低或是标注成本高。比如说，在工业检测上，如果生产线时常更换，要得到大量的检测资料是有难度的；在医学上，标注的成本较高， 因为医护人员的有限时间及专业门槛。

为了解决这个问题，除了之前提过利用自我监督(self-supervised)的机会外，这几年许多学者关注著「少量样本」(few-shot)的机器（或深度）学习技术，目的是在标注资料很少的情形下，依然让算法收敛到稳定的效能。

按照目前的研究进展，我们将少量样本学习的方法大致分为三类，包括：data augmentation（资料生成）、metric learning（度量学习）、以及meta learning（元学习）。之前已经讨论过在标记资料少的情形下，要刻意生成资料是有问题的。而后两类都先缺省标记资料少的情形下，来优化算法。

因为少量样本，无法学习到稳定的分类器，所以度量学习希望透过少量样本的深度特征比对进行分类，训练方式让同类别的样本有较小的距离，不同类则较远。而元学习则是训练一套深度网络，在使用少量样本微调时依然有稳定的分类效果，所以学习的目标不是为了优化训练资料的分类效能，而是训练网络可以稳定「调适到」新的问题中，即使提供少量标记资料。

弱监督（weakly-supervised）学习则是在给定不完全标注的资料中训练。例如在医学上，仅知道病人患有某种疾病，但是不晓得在所有检验资料中何处关联最大，那就在学习中利用attention（关注）的方式找到这些隐藏因子。目前最经典的范例是大量的X光肺部病变中，仅仅给予病人的确诊疾病，透过算法（利用影像的2D attention），找到X光中重要的病征区域。类似的想法应该也可以使用在工业生产检测或是生产优化上。

标记训练资料不足的缺陷，是在工业领域中必须坦然接受的问题。在近期内可以解决的方式是利用metric learning，善用取得标记成本较低的资料训练，然后再转移到少量标注的新工作中，或是meta learning中的训练策略。不过最大的机会还是在找到自我学习的pre-training方式，善用大量未标注的资料。