知识迁移对于零样本学习 (ZSL) 至关重要，因为它使模型能够利用从相关的、已见数据中学习到的信息，泛化到未见类别。在 ZSL 中，模型必须识别或分类在训练过程中从未遇到的对象，这只有通过将知识（如特征、属性或语义概念之间的关系）从已知类别迁移到未知类别才有可能实现。例如，一个在狮子和老虎等动物（具有“条纹”或“鬃毛”等属性）上训练的模型，可以推断斑马（训练时未见）与老虎共享“条纹”，从而能够正确地分类斑马。这种迁移依赖于编码共享特征或连接已见类别和未见类别的语义嵌入。
一个关键的技术方法是利用辅助数据来连接已见类别和未见类别。例如，词嵌入（如 Word2Vec 或 GloVe）可以在语义空间中表示类别标签，其中相似的概念（如“猫”和“狗”）会聚集在一起。训练好的模型可以将图像特征映射到这个空间，然后通过与已知概念的接近程度来分类未见类别。另一个例子是基于属性的 ZSL，其中类别由人工标注的属性（如“有翅膀”、“生活在水中”）定义。模型在训练期间学习将视觉特征与这些属性关联起来，然后将它们组合起来描述未见类别（如将“企鹅”描述为“有翅膀、黑白色、不能飞”）。这些方法依赖于结构化的知识迁移，以避免需要未见类别的直接示例。
对于开发者而言，知识迁移简化了 ZSL 的实际实现。他们无需为每个可能的类别收集标注数据（这是一项成本高昂且耗时的工作），而是可以重用现有数据集和语义关系。例如，一个零售产品分类器可以通过利用文本描述或类别层级来扩展到新项目，而无需新的训练图像。这种方法也提高了适应性：如果模型已经理解更广泛的概念（如“车辆”或“电子设备”），那么无需重新训练即可添加利基子类（如“电动滑板车”）变得可行。通过关注可迁移特征，开发者可以构建能够处理未见类别不可避免的现实场景的系统，从而减少对数据的依赖和计算开销。