一次样本学习是机器学习（ML）的一种特殊形式，它通过利用极少数量的示例来训练模型执行任务。它是机器学习领域一项至关重要的研究方向，因为它有望大幅减少模型训练所需的数据量和计算资源。
在获取大量带标注示例存在困难或不可行的情况下，比如处理稀有或难以获取的数据时，一次样本学习就显得尤为重要。当数据存在严重不平衡的情况时，它也能发挥作用，因为它可以降低模型偏向多数类别的风险。
这种学习方法在众多领域有着广泛的实际应用，涵盖图像识别、语音识别以及自然语言处理等。例如，在机器人技术和自动驾驶汽车领域，由于标注数据常常稀缺或难以获取，一次样本学习可用于训练模型识别新物体。