Zero-shot learning (ZSL) 是机器学习中的一种方法,它允许模型识别和分类任务或项目,而无需对这些任务或项目的特定示例进行训练。zero-shot learning不依赖于标记的训练数据 (在某些情况下可能很少或很难获得),而是利用先前学习的课程的知识转移来预测新的,看不见的课程。这种方法对于零标记任务特别有用,其中获得任何标记的示例是不切实际或不可能的。
例如,考虑一个系统,该系统已经被训练以识别各种动物,如猫和狗,但随后被挑战以识别一匹马,它没有标记的训练数据。通过零射击学习,该模型可以利用语义信息-例如马是具有四条腿和鬃毛的大型哺乳动物的事实。通过将这些特征与马类相关联,可以推断出马的照片应与其他大型哺乳动物类似地分类。这种从已知类到未知类的泛化能力极大地扩展了模型的功能,而无需为每个潜在的分类任务提供大量标记的数据集。
此外,零快照学习在动态环境中非常有价值,例如社交媒体平台上的内容审核或电子商务中的产品分类。随着新的内容和项目频繁出现,团队不断为每个新类别标记示例是不切实际的。相反,零射击学习模型可以通过利用现有知识来适应不断变化的上下文并识别新类别,从而实现高效且可扩展的解决方案。这不仅节省了时间和资源,而且增强了系统有效处理不可预见情况的能力。