是的，零样本学习 (ZSL) 可以用于异常检测。 ZSL 是一种机器学习方法，模型无需在特定示例上进行显式训练即可执行任务。相反，它利用先验知识或辅助信息（如文本描述或语义关系）来泛化到未见过的类别。在异常检测中，这意味着识别与正常数据显着不同的异常模式或离群值，即使这些异常不是训练数据的一部分。通过使用语义或上下文线索，ZSL 模型可以推断出什么构成异常，而无需标记的异常示例，这使其在异常稀少、未定义或不断演变的情况下非常有用。
例如，考虑网络安全：ZSL 模型可以通过理解攻击模式的描述（例如，“未经授权的数据泄露”）而不是仅仅依赖于历史攻击数据来检测新型网络攻击。 类似地，在制造业中，在正常传感器读数上训练的模型可以通过参考缺陷的文本定义（例如，“温度峰值超过 X 度”）来识别有缺陷的产品。这些模型通常使用诸如将语义特征嵌入共享空间之类的技术，在其中测量观察到的数据和异常描述之间的相似性。预训练的语言-视觉模型（如 CLIP 或 BERT）可以在此进行调整，将数据特征映射到语义概念（例如，“异常振动”）以标记偏差。
但是，挑战依然存在。 ZSL 需要高质量的辅助信息——不良的描述或不匹配的语义可能会导致误报。例如，如果语义描述模糊，使用 ZSL 的医学成像系统可能会将罕见但良性的异常错误地解释为危急情况。 此外，将数据与众多异常描述进行比较的计算成本可能很高。混合方法，将 ZSL 与传统方法（如自动编码器（用于对正常数据建模）或单类分类器）相结合，可以缓解这些问题。对于开发人员来说，诸如 Hugging Face 的 transformers 或 OpenAI 的 CLIP API 之类的工具提供了可访问的起点。虽然 ZSL 不是通用解决方案，但当标记数据稀缺或动态时，它提供了一种检测新型异常的灵活方法。