零样本学习（ZSL）通过使模型能够在无需目标领域标注数据的情况下泛化到未见过的领域或任务，从而解决了领域适应的挑战。传统的领域适应方法通常依赖于目标领域的标注或无标注数据来对齐源领域和目标领域之间的特征分布。相比之下，ZSL 利用语义关系或共享知识（例如，属性描述、词嵌入）来弥合已知（源）领域和未知（目标）领域之间的差距。通过将输入映射到共享的语义空间，模型可以推断出其训练过的类别与全新类别或领域之间的关系，即使不存在目标领域的直接示例。
例如，考虑一个训练用于识别自然图像中动物的模型（源领域），需要在没有医学数据标注的情况下适应识别医学图像（目标领域）。在 ZSL 中，模型可能使用文本描述或属性向量（例如，“有翅膀”、“有鳞片”）将动物特征与医学图像中的解剖结构联系起来。通过在共享语义空间中表示两个领域——例如使用语言模型中的词嵌入——模型可以将其对“翅膀”的理解泛化到根据共享属性识别“肺叶”。这种方法避免了在医学数据上重新训练的需要，在收集目标领域标注不切实际的场景中非常有用。
然而，ZSL 的有效性取决于用于连接领域的语义信息的质量和相关性。如果语义嵌入或属性未能捕捉源领域和目标领域之间的有意义关系，性能可能会下降。例如，一个使用基于形状属性训练的家用物品模型，可能难以适应纹理至关重要的领域，除非明确包含纹理属性。开发者可以通过精心设计语义表示（例如，结合视觉和文本特征）或使用像 CLIP 这样的跨模态框架（它在共享空间中对齐图像和文本）来缓解这个问题。虽然 ZSL 减少了对目标数据的依赖，但在领域共享可以进行语义编码的基础概念时，它的效果最佳。