零样本学习 (ZSL) 是机器学习中的一种方法，其中模型可以识别和分类在训练期间从未见过的数据。ZSL使用辅助信息 (如属性或文本描述) 来理解新类，而不是仅仅依赖于每个类别的标记示例。当收集数据昂贵或不切实际时，这尤其有用。从本质上讲，零射击学习旨在将知识从已知类转移到未知类，使模型能够在不直接训练这些类的特定实例的情况下进行预测。
例如，考虑图像分类中的场景，其中模型在像猫和狗这样的动物上训练。使用零射学习，该模型还可以对斑马的图像进行分类，即使它在训练过程中从未见过斑马。这是可能的，因为模型可以利用与斑马相关联的文本描述或属性，例如 “条纹” 或 “马状”。通过将这些属性与猫和狗的学习特征相关联，模型可以推断出符合 “条纹” 描述的图像可能是斑马，展示了ZSL在对不熟悉的类别进行有根据的猜测方面的力量。
实现零样本学习通常涉及两个主要组件: 嵌入空间和语义表示。在第一个组件中，输入数据 (如图像) 和类标签 (如属性) 都映射到共享空间。语义表示使用诸如属性或描述之类的特征来表征每个类。在实践中，可以利用诸如基于属性的分类或Word2Vec之类的框架来创建这些表示。总体而言，zero-shot learning提供了一种灵活的方式来处理新类别，使其成为现实世界应用程序的实际选择，其中数据稀缺是一个挑战。