Zero-shot learning (ZSL) 是机器学习中的一种方法，旨在识别对象或执行任务，而无需看到这些特定类的任何训练示例。这种方法在处理复杂的数据结构时特别有用，因为它通过语义信息 (例如属性或文本描述) 来利用已知和未知类之间的关系。例如，如果一个模型被训练来识别狗和猫，它仍然可以区分斑马，如果它已经学习了 “条纹” 或 “四条腿” 等概念来弥合已知和不熟悉的类之间的差距。
为了有效地处理复杂的数据结构，零样本学习通常采用基于属性的表示或语义嵌入。例如，考虑图像分类任务，其中训练数据包含各种动物图像。通过定义 “有条纹”，“是哺乳动物” 或 “会飞” 等属性，该模型可以将其知识从可见的类别 (如老虎和鸽子) 推广到看不见的类别 (如斑马和麻雀)。使用知识图或语言模型可以进一步增强这种能力，因为这些资源提供了上下文和关系，这些上下文和关系有助于模型基于其拥有的属性对新类进行推断。
此外，零样本学习可以结合迁移学习等技术，其中模型在大型数据集上进行预训练，然后针对特定任务进行微调。这允许模型更好地理解复杂数据结构中的属性和关系的含义。例如，如果模型最初从广泛的动物数据集中学习各种特征，那么它可以通过使用学习的特征和属性描述来识别和分类以前从未遇到过的对象。归根结底，zero-shot学习使管理和解释复杂数据变得可行，而不需要详尽的标记数据集，从而在现实世界场景中实现更广泛的应用。