Zero-shot learning (ZSL) 是一种机器学习范例，使模型能够识别和分类在训练过程中没有看到的类别中的数据。这种方法依赖于利用与看不见的类别相关的语义信息或属性。ZSL不需要每个类别的示例，而是使用关系和共享特征来根据对已知类的理解来推断未知类。例如，如果一个模型已经被训练来识别像 “斑马” 和 “马” 这样的动物，并学习诸如 “有条纹” 或 “是四足动物” 这样的属性，那么它可以通过识别 “老虎” 来识别它与已知类别共享某些属性。
为了实现零射学习，开发人员通常使用涉及特征空间和属性空间的两步过程。在特征空间中，使用标记的示例在已知类别上训练模型。在属性空间中，开发人员为每个类别定义一组属性或描述符。这些属性可以是视觉特征、行为或其他标识符。然后，模型学习将输入数据映射到这些属性。例如，如果呈现了看不见的动物特征，则模型可以分析其属性并将其与已知的属性表示进行匹配，从而允许其对新动物进行分类，尽管尚未对其进行直接训练。
零射学习的一个常见应用是在图像分类任务中。考虑这样一种情况: 模型被训练为对狗和猫的品种进行分类，但遇到了以前从未见过的动物，例如 “狐狸”。如果模型知道狐狸是 “犬科动物”，“尾巴浓密” 和 “是中小型哺乳动物”，则可以根据这些属性得出有关狐狸的结论。通过应用从已知类别中获得的知识，该模型可以有效地对未知类别进行分类，从而证明了零射击学习在处理训练数据有限的情况下的实用性和多功能性。