零样本学习 (ZSL) 是一种机器学习方法，模型可以执行未经明确训练的任务。 ZSL 不是依赖于每个可能类别的标记示例，而是利用现有知识来泛化到未见过的类别。一个实际的例子是使用 Hugging Face Transformers 库中的模型进行文本分类。例如，一个经过训练可以将新闻文章分类为“体育”、“政治”或“技术”等主题的模型，可以被要求将一篇新的文章分类为像“气候变化”这样未见过的标签，而无需额外的训练。该模型通过理解输入文本和推理时提供的候选标签之间的语义关系来实现这一点。
从技术上讲，ZSL 的工作原理是将输入数据（例如，文本、图像）映射到共享的语义空间，其中表示了已见和未见的类别。对于文本分类，预训练的语言模型可能会对输入与每个候选标签的描述的对齐程度进行评分。例如，使用 Hugging Face zero-shot-classification 管道，开发人员可以传递诸如“我的订单已损坏”之类的客户评论和诸如“运输问题”、“产品质量”或“定价”之类的候选标签。该模型评估输入和每个标签之间的语义相似性，即使这些标签不在训练数据中也是如此。这是可能的，因为该模型在大量文本语料库上的预训练教会了它将“已损坏”之类的短语与“运输问题”之类的概念相关联，从而实现泛化。
实施 ZSL 的开发人员应考虑权衡。虽然它消除了为每个新类提供标记数据的需要，但性能取决于模型的语义理解与任务的对齐程度。例如，模糊的标签或措辞不佳的候选类（例如，“坏东西”而不是“运输问题”）会降低准确性。此外，ZSL 模型可能难以处理高度特定领域的术语，而无需进行微调。像 Hugging Face 管道这样的工具简化了实验，但开发人员必须验证结果并迭代标签措辞。尽管存在局限性，但 ZSL 对于收集标记数据不切实际的场景很有价值，例如内容审核系统中动态变化的类别或电子商务中适应新的产品类型。