Zero-shot learning (ZSL) 是一种机器学习方法，使模型能够对未明确训练的任务或类别进行预测。在视觉问答 (VQA) 的上下文中，这意味着模型可以回答有关图像的问题，而无需在训练期间看到这些特定的问题或图像。传统的VQA方法依赖于注释图像和问题的大型数据集，但是零样本学习允许超出训练示例的泛化。
在使用零样本学习的VQA任务中，模型可以利用来自相关任务或类别的信息。例如，如果一个模型被训练来理解图像中动物的特征，它可以回答关于它以前从未遇到过的一种动物的问题。这通常是通过嵌入来实现的，其中图像和问题都被映射到共享的特征空间中。当提出新问题时，该模型识别并对齐图像与问题的相关特征，即使该特定问题不是训练的一部分。
VQA中零镜头学习的一个实际例子可能是回答有关自然中新场景的问题。假设一个模型已经在森林和山脉的图像上进行了训练，并且可以正确回答诸如 “森林里有什么动物？” 之类的问题。然而，在其测试阶段，模型遇到海滩的图像。通过零射击学习，它可以利用对动物物种及其可能栖息地的理解来推断和回答有关海滩动物的相关问题，从而证明其超越设定示例的推理能力。这种处理看不见的数据的灵活性使得零射击学习成为视觉问答任务中的一个有价值的工具，允许开发人员创建适应性更强、更强大的人工智能系统。