零样本学习 (ZSL) 模型通过使用关于类或概念的预先存在的信息来对不可见的类别进行预测，从而利用语义知识。这种方法绕过了对每个可能的类的大量训练数据的需求。相反，ZSL模型通常依赖于表示类的属性或描述性特征。例如，它不仅可以在猫和狗的图像上训练模型，还可以从单词或属性中学习，例如 “有皮毛” 或 “四条腿”，这些单词或属性适用于更广泛的动物。当模型遇到像马这样的新类时，即使没有特定的训练示例，它也可以利用对与之相关的属性的理解来进行预测。
语义知识可以来自各种来源，诸如词嵌入、本体或关系图。例如，如果使用捕获单词之间相似性的单词嵌入训练模型，则可能会发现 “horse” 在语义上接近 “zebra”，因为 “striped” 或 “食草动物” 等共享属性。这允许模型基于其与已知类的相似性来推断看不见的类的特征。本质上，模型可以使用这些关系来导航可能的类的空间，而不需要每个类的直接示例。
此外，语义知识的使用还允许在ZSL应用中的灵活性和适应性。例如，在图像分类场景中，开发人员可以简单地通过提供相关属性而不是为每个新类别收集和标记数据来引入新类别。这可以显著减少数据准备所需的时间和资源。此外，它鼓励更广泛地理解不同的类如何相互关联，这可以在各种应用中产生更健壮和可推广的模型，例如自然语言处理和图像识别。