Zero-shot learning (ZSL) 是机器学习中使用的一种技术，它使模型能够执行任务，尽管这些特定任务没有标记数据。零射学习不是仅仅依赖于目标任务中的示例，而是利用来自其他相关任务或领域的知识。本质上，它通过使用附加信息 (通常以语义属性或外部数据源的形式) 在已知类和未知类之间建立桥梁。例如，如果一个模型已经被训练来识别像猫和狗这样的动物，它可以应用其现有的动物特征知识来识别一个它以前从未见过的类，比如斑马，基于共享属性，如 “条纹” 或 “四条腿”。
为了实现零射击学习，开发人员通常使用两步方法。首先，模型使用看到的数据学习类别的表示。这是通过将类与描述性属性或文本信息相关联来完成的。在我们先前的示例中，可以使用诸如 “有条纹”，“家养” 或 “食肉” 之类的属性来表示不同的动物。在第二步中，当模型遇到缺少标记数据的新类 (例如，像斑马这样的动物) 时，它会使用对属性的理解以及已知类之间的关系来进行推断。这使模型能够通过将斑马的属性与从猫和狗那里学到的属性进行匹配来识别斑马。
零样本学习的实际应用可以在图像分类或自然语言处理任务中找到。例如，考虑已经在各种类型的车辆 (汽车、公共汽车和自行车) 上训练的图像分类系统。如果需要识别像电动踏板车这样的新类别，模型从未明确见过，则模型可以基于相关属性 (例如 “两轮” 和 “电动”) 对这些车辆进行分类。类似地，在NLP中，模型可以使用从其他上下文中的先前标记的情感数据获得的理解来解释新域中的文本情感，例如产品的客户评论。这种灵活性使得零射学习在获取标记数据可能是资源密集型或不可行的领域中特别有用。