零样本学习 (ZSL) 使机器学习模型能够在不需要特定任务的标记示例的情况下执行任务。 这是通过利用在相关任务或类别上训练期间获得的先验知识来实现的。 ZSL 不是依赖于每个新任务的直接监督，而是使用语义关系或共享表示来泛化到未见过的类别。 例如，经过训练可以识别狗、猫和鸟等动物的模型可能会推断“斑马”是一种条纹的、类似马的动物，方法是将文本描述或基于属性的特征与其现有知识联系起来，即使它在训练期间从未见过斑马图像。
ZSL 的一个关键机制是使用辅助信息，例如词嵌入或属性注释，来桥接已见过的类别和未见过的类别。 这些表示创建了一个共享语义空间，模型可以将输入数据（例如，图像、文本）与未见过的类别的描述进行比较。 例如，在自然语言处理 (NLP) 中，经过训练可以将新闻文章分类为“体育”或“政治”等主题的模型可以通过将文本链接到相关关键字或嵌入（例如，“环境”、“碳排放”）来处理“气候变化”等新主题。 这种方法避免了为新类别重新训练或收集标记数据的需要，因为该模型依赖于其对语言结构和上下文的理解。
对于开发人员来说，ZSL 减少了标记数据的开销，并实现了在动态环境中的适应性。 假设开发人员想要将支持票证分类为随时间演变的类别，例如添加新的“账单问题”标签。 他们可以使用零样本文本分类器（例如，Hugging Face 的 Transformers 库），通过提供诸如“此票证是关于账单问题的”这样的提示，而不是手动标记数百个示例。 该模型使用其预先训练的语言语义理解来将输入映射到新类别。 虽然 ZSL 性能取决于语义表示的质量以及已见过和未见过的任务之间的相似性，但它为标记不切实际的情况（例如处理稀有类别或快速变化的需求）提供了一种实用的解决方案。 诸如 CLIP（用于视觉）和基于 GPT 的模型（用于文本）之类的工具展示了如何将 ZSL 集成到管道中，以在没有额外训练数据的情况下扩展模型功能。