私たちが何らかの問題を解決する前に、まずその問題が具体的に何であるかを正確に定義する必要があります。以下は単サンプル分類問題の記号表現です。 私たちのモデルは、Sという少数のラベル付き訓練サンプルしか取得していません。このサンプル集合にはN個のサンプルがあり、同じ次元の各ベクトルには対応するラベルyがあります。

次に、分類対象のテストサンプル を与えます。サンプル集合内の各サンプルには正しいクラスがあるため、私たちの目標は、 の中から、 の正しいラベル を正しく予測することです。

問題を定義する方法はたくさんありますが、上記が私たちの定義です。ここで注意すべき点がいくつかあります。

• 現実生活では制約が少ない場合があり、一枚の画像が必ずしも一つの正しいクラスだけを持つとは限りません。

• この問題はk-shot学習に容易に一般化できます。各クラスy_{i}yiの単一サンプルをk個のサンプルに置き換えるだけです。

• Nが大きい場合、 が属する可能性のあるクラスが増えるため、正しいクラスを予測するのが難しくなります。

• ランダムに推測する場合の正解率は %です。

ここにOmniglotデータセットにおける単サンプル学習の例がいくつかあります。次のセクションでそれについて説明します。