Zero-shot learning (ZSL) 是一种技术，允许模型对他们没有看到任何训练数据的类或任务进行预测。ZSL在训练期间不仅仅依赖于示例，而是利用通常以属性或语义描述的形式的附加信息来促进对新类的理解。这样，即使模型没有遇到特定的示例，它仍然可以基于学习的关系和关于现有类别的知识来分类或生成输出。
零样本学习中使用的一种常见方法涉及对可见和不可见类使用嵌入或表示。例如，如果一个模型已经在动物图像上训练并且知道狗和猫，它也可以学习像 “有条纹” 或 “会飞” 这样的属性。当呈现诸如斑马的新类时，模型可以使用学习的属性 “具有条纹” 来基于其外观推断斑马可能属于新类别，即使它以前从未见过斑马。这种连接属性或描述的能力允许模型泛化超出其在训练期间遇到的特定实例的知识。
此外，零触发学习在收集标记数据不切实际的情况下特别有用，例如稀有物种识别或利基产品分类。在这种情况下，开发人员可以提供丰富的语义描述或将现有类别与新类别相关的元数据。例如，在图像识别中，通过使用 “小” 、 “有浓密的尾巴” 或 “在树上发现” 等属性来描述 “小熊猫” 的特征，模型可以在其知识框架内对其进行识别和分类。总体而言，zero-shot学习使模型能够在不同的真实场景中适应和执行，而无需为每个可能的类别提供大量标记的数据集。