零样本学习 (ZSL) 使模型能够通过利用先验知识和类之间的语义关系来执行未明确训练的任务。 ZSL 不是依赖于每个可能任务的标记示例，而是使用辅助信息（如文本描述、属性或结构化知识库）来推广到未见过的类别。 例如，经过训练可以识别动物的模型可能会了解到“条纹”是老虎的关键特征。 当要求识别斑马（它没有见过的类别）时，即使没有特定于斑马的训练数据，它也可以推断出“条纹”是相关的。 这种方法将重点从记忆示例转移到理解跨任务的共享特征。
核心机制包括将输入（例如，图像、文本）映射到语义空间，其中已见和未见类别都由其属性或描述表示。 在训练期间，模型学习将输入特征（如图像中的像素模式）与语义向量（例如，类名或属性的词嵌入）对齐。 在推理时，当呈现新类时，模型会将输入的特征与未见类的语义描述符进行比较。 例如，在自然语言处理中，在英语-法语和英语-西班牙语对上训练的翻译模型可以通过利用其嵌入中编码的共享语言结构来处理英语-德语翻译，即使它从未见过德语数据。 这依赖于模型泛化语言标识符和句法模式之间关系的能力。
实际实现通常使用预定义的属性集或预训练的语言模型来弥合已知任务和未知任务之间的差距。 在图像分类中，像“具有皮毛”或“生活在水中”这样的数据集（如具有属性的动物）提供了模型用于推理未见过的物种的标签。 对于文本任务，像 BERT 或 GPT 这样的模型可以通过将输入文本与类描述进行比较来执行零样本分类（例如，如果句子与“好”或“令人满意”等词对齐，则将句子标记为“积极”）。 虽然 ZSL 减少了对标记数据的依赖，但它的成功取决于语义表示的质量以及模型分离和重组特征的能力。 开发人员可以通过在训练期间集成属性注释或使用通过特定于任务的提示进行微调的预训练模型来实施 ZSL，从而在灵活性与计算约束之间取得平衡。