“嵌入是对象的数值表示，例如单词、句子或图像，它们在连续向量空间中捕捉了对象的语义意义。在零-shot学习的背景下，嵌入使模型能够对在训练过程中未见过的类别或任务进行预测。通过将不同类别置于共享的嵌入空间中，模型可以利用已知类别和未知类别之间的关系，从而根据与已知类别的接近度推断关于陌生类别的信息。
例如，考虑一个已经训练过识别各种动物类别（如狗、猫和鸟）的模型。如果该模型在零-shot学习场景中遇到一个新类别，如“马”，嵌入可以派上用场。如果“马”的嵌入在向量空间中靠近“狗”和“猫”的嵌入，模型可以根据这些相似的嵌入做出对马的特征的合理猜测。这使得模型能够有效地分类新数据，而无需在新类别上进行明确训练。
此外，嵌入促进了跨不同任务或领域的知识转移。例如，在处理文本时，Word2Vec、GloVe或BERT等嵌入可以帮助模型理解“汽车”和“轿车”是同义词，即使它在训练过程中从未遇到过“轿车”这个词。这种泛化能力使开发者能够创建更具适应性的模型，使其能够在数据有限的多样化环境中运行，显著增强其在各种应用中的实际可用性。”