---
title: "少樣本域轉移（Few-shot Domain Adaptation）"
slug: few-shot-domain-adaptation
language: zh-TW
source: https://aiterms.tw/terms/few-shot-domain-adaptation
updated_at: 2026-06-23
tags: [遷移學習, 機器學習, 深度學習]
ipas_term: false
---

# 少樣本域轉移（Few-shot Domain Adaptation）

用極少量目標域標籤資料，在保持源域知識的前提下快速適應新域。

## 完整說明

少樣本域轉移（Few-shot Domain Adaptation）結合了少樣本學習和域轉移的優勢。傳統域轉移假設目標域無標籤或完全無監督，但在實務中，獲取少量標籤資料往往可行。少樣本域轉移利用這少量標籤資料，顯著加速適應過程。例如，自駕車在新城市只需 10-20 張標籤街景，就能快速適應該城市的交通環境，同時保持對通用駕駛知識的掌握。

## 常見問題

### 在少樣本域轉移中，如何決定無監督預適應和監督微調的比例？

這取決於目標域標籤資料的品質和源域與目標域的相似度。若源域和目標域高度相似（如同一設備不同場景），無監督預適應可以輕一點，標籤資料的作用快速糾正細節。若域間差異大（如合成資料到真實資料），需要更充分的無監督預適應建立基礎。實務策略是監控驗證集性能：若驗證準確率高，可減少無監督階段；若驗證準確率低，說明無監督適應不足，應增加無監督預訓練週期。典型比例是無監督預適應 10 個 epoch，監督微調 5 個 epoch，但應根據具體應用調整。

### 如何選擇目標域中應該標籤的樣本來最大化學習效率？

最簡單的方法是隨機選擇，但聰明選擇能顯著減少所需樣本數。主動學習方法選擇模型最不確定的樣本（最接近決策邊界的點），因為這些樣本提供的信息量最大。計算方法是用模型預測概率，選擇熵最高（類別概率最接近 50-50）的樣本。另一種方法是多樣性採樣，選擇在特徵空間中分散最遠的樣本，覆蓋目標域的各個區域。有些方法結合兩者：先用多樣性採樣得到樣本集合，再用不確定性排序，標籤最不確定的樣本。實驗表明，聰明選擇 50 個樣本的效果往往勝於隨機選擇 100 個樣本。

### 少樣本域轉移中的「偽標籤」為什麼有用但也有風險？

偽標籤的原理是在無標籤目標域資料上運用已訓練模型，用高信心預測作為標籤進行後續訓練。有用之處在於充分利用無標籤資料，提供額外的監督信號，加速適應。風險在於若初期適應不當，模型做出的偽標籤可能錯誤，這些錯誤標籤會強化模型偏見，導致誤差累積。解決方法是置信度過濾：只接受模型信心度超過閾值（如 0.9）的預測作為偽標籤。另外，可用多個模型協同投票產生偽標籤，降低個別模型偏見。也可用自訓練與監督訓練交替進行，每次交替前用真標籤驗證偽標籤品質，發現問題及時糾正。

---

來源：https://aiterms.tw/terms/few-shot-domain-adaptation
快查頁：https://aiterms.tw/terms/few-shot-domain-adaptation
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-few-shot-domain-adaptation