零样本学习 (ZSL) 是一种机器学习技术，使模型能够对未明确训练的类别中的数据进行分类或识别。 与传统的监督学习不同，在传统的监督学习中，模型只能预测在训练期间看到的标签，而 ZSL 利用语义关系或辅助信息来泛化到未见过的类别。 这是通过将输入数据（例如，图像、文本）和类标签嵌入到共享语义空间中来实现的，从而允许模型使用其共享属性或描述将输入与未见过的类进行比较。
ZSL 的核心在于两个组成部分：特征提取器和类的语义表示。 例如，考虑一个图像分类任务，其中训练模型使用带标签的图像识别狗、猫和鸟等动物。 在零样本设置中，模型还可以学习语义属性（例如，“有毛”、“会飞”）或类的文本描述。 当遇到“斑马”之类的未见过的类别时，模型会将输入图像映射到语义空间，并通过将其与“斑马”的属性（例如，“有条纹”、“四条腿”）进行比较来推断正确的标签。 这种方法之所以有效，是因为模型了解特征如何与语义属性相关联，而不仅仅是记忆的标签。 嵌入对齐（例如，使用神经网络将图像/文本映射到共享空间）和强制输入及其语义描述符之间相似性的损失函数在 ZSL 实现中很常见。
ZSL 中的挑战包括处理域偏移（即已见类别和未见类别的数据分布不同）和确保稳健的语义表示。 开发人员通常通过使用将 ZSL 与少量样本学习相结合的混合模型，或通过合并外部知识库（例如，用于分层关系的 WordNet）来解决这些问题。 实际应用包括图像标记系统，该系统无需重新训练即可对新对象进行分类，或者 NLP 模型，该模型可以通过其定义处理罕见单词。 例如，零样本文本分类器可以通过将票证文本与类别描述匹配来将支持票证分类为未见过的类别。 通过专注于语义关系，ZSL 减少了对大型标记数据集的依赖，并实现了动态环境中的灵活性。