零样本学习 (ZSL) 通过利用已见类和未见类之间的语义关系和共享表示来处理复杂的数据结构。 ZSL 不仅仅依赖于每个可能类的标记示例，而是使用辅助信息（如属性、文本描述或知识图）来推广到新的、未见类别。 例如，一个在“狮子”和“老虎”等动物上训练的模型可以通过连接共享特征（例如，“条纹”）来推断出“斑马”，即使训练数据中没有斑马。 这种方法通过将分层、关系或多模式模式编码到统一的语义空间中，使模型能够根据未见类与已知类的关系来推理未见类。
为了处理复杂性，ZSL 通常采用图神经网络 (GNN) 等技术来处理分层或基于图的数据。 例如，在医疗诊断系统中，疾病可以组织成一个分类法，其中症状和遗传标记在节点之间形成边。 ZSL 模型可以通过遍历该图来推断罕见疾病，即使没有直接的训练数据。 类似地，对于图像与文本配对的多模式数据，ZSL 可能会使用跨模式嵌入将视觉特征与文本描述对齐。 例如，一个在“汽车”和“自行车”的标记图像上训练的模型可以通过将其视觉组件（例如，车轮、车把）与知识库中的文本属性匹配来识别“电动滑板车”，即使电动滑板车没有被明确标记。
当数据结构高度不规则或缺乏清晰的语义链接时，就会出现挑战。 例如，在具有不同节点类型（用户、帖子、标签）的社交网络图中，ZSL 必须解开重叠关系才能推广到未见的节点类别。 开发人员可以通过设计强大的编码器（如用于文本的基于 Transformer 的架构或用于图的 GNN）来捕获结构细微差别来解决此问题。 另一个考虑因素是确保辅助数据（例如，属性列表）准确反映真实世界的关系。 如果用于产品推荐的 ZSL 模型使用有缺陷的类别层次结构，则可能会错误分类利基商品。 在训练期间使用合成的未见类进行测试，并细化语义嵌入（例如，使用对比损失）可以提高鲁棒性。 总的来说，ZSL 的有效性取决于语义框架在多大程度上反映了数据的复杂性。