Zero-shot learning (ZSL) 是一种用于机器学习的技术,模型可以预测他们在训练过程中从未见过的课程。该方法使用诸如属性或语义描述之类的辅助信息来建立已知类和未知类之间的关系。通过利用这些描述符,模型可以概括其理解,以根据其特征识别未见过的类,而无需直接示例。
例如,想象一个模型被训练来识别它以前见过的动物,比如狗和猫。在传统的监督学习方法中,如果模型从未被显示为斑马,它将无法识别一个。然而,在零射学习中,如果模型知道 “条纹” 和 “四条腿” 等属性,它可以使用这些信息来推断共享这些特征的斑马可能属于 “动物” 类。该模型本质上是基于对共享属性或关系的理解,将其知识从已知类 (狗和猫) 转移到看不见的类 (斑马),从而允许其相应地对新图像进行分类。
为了有效地实现零射学习,开发人员经常利用诸如嵌入空间之类的技术。在这种方法中,图像的视觉特征和类的语义表示都被投影到共享空间中。当引入一个新类时,它的属性被映射到这个空间,使模型能够将现有知识与新类相关联。因此,开发人员可以构建能够识别各种对象或类别的系统,而无需为每个可能的类添加大量标记的数据集,从而使其成为具有有限标记数据的场景中的强大解决方案。