Zero-shot learning (ZSL) 是一种机器学习方法,它使模型能够对训练期间没有看到的类进行预测。该模型利用与类相关联的语义信息或属性,而不是仅仅依赖于来自每个类的标记示例。此信息可能包括定义类的描述、功能或关系。通过了解这些特征,该模型可以根据从已看到的类中获得的知识来推断未看到的类的属性。
例如,考虑在包括猫和狗但不包括大象的动物图像上训练的零拍摄学习模型。在训练期间,模型学习识别诸如 “有四条腿”,“有尾巴” 和 “是宠物” 之类的属性。当呈现大象时,模型可以检查其特征并将其与已知属性相关联。如果它知道一头大象也有四条腿和一个鼻子 (这是猫或狗不共有的特征),它可以自信地推断出新的输入对应于看不见的大象类,即使没有来自训练数据的大象的先前示例。
零样本学习模型的有效性在很大程度上依赖于语义信息的质量。如果用于分类的属性或关系定义明确且相关,则模型的预测可能是准确的。另一方面,如果属性没有充分地捕获看不见的类的本质,则预测可能会动摇。因此,实现ZSL的开发人员必须专注于为每个类管理相关和描述性特征,以最大限度地提高模型超越其训练数据的泛化能力。