Zero-shot learning (ZSL) 是一种机器学习方法，通过使模型能够识别和分类从未明确训练过的类别中的数据来解决领域适应挑战。传统模型通常需要来自每个类的大量标记数据才能在新域中表现良好。但是，ZSL通过利用语义信息来规避此限制，通常以属性，文本描述或其他形式的知识来将看不见的类链接到熟悉的类。
例如，考虑一个模型被训练以识别特定动物 (如猫和狗) 的场景。当面对一个全新的动物，如斑马，传统的模型将挣扎没有先前的例子。相比之下，零射击学习模型可以通过使用描述性属性来理解斑马的概念，例如 “有条纹”，“是一种哺乳动物” 或 “生活在大草原”。通过学习关系将这些属性与现有类别 (猫和狗) 相关联，ZSL允许模型概括其知识并对斑马进行预测，即使它以前从未见过斑马。
此外，零触发学习在收集标记数据不切实际或资源过于密集的情况下特别有用。例如，在医疗保健领域，ZSL可用于识别只有少数样本可用的罕见疾病或病症。通过将这些罕见疾病与更常见疾病的描述和关系相关联，开发人员可以创建可靠的诊断模型，而无需大量标记数据。这种在新的和独特的环境中利用知识的能力使零射击学习成为克服各种应用领域适应挑战的强大策略。