Zero-shot learning (ZSL) 是指机器学习模型在训练过程中识别和分类对象或执行从未见过的任务的能力。这在某些类或任务的带注释的训练数据稀缺或难以获得的情况下特别有用。zero-shot learning不仅仅依赖于标记的数据，而是使用来自相关任务或类别的知识转移来推断看不见的类。这种方法不仅减少了对大量数据集的需求，而且增强了模型从训练中泛化的能力。
零样本学习的一个重要应用是在图像识别领域。例如，被训练为识别诸如狗和猫之类的动物的模型可以适于基于与这些动物相关联的描述或属性来识别它以前从未遇到过的动物，如斑马或大象。通过利用语义表示，如词嵌入或属性向量，模型可以理解新的类别并提供有意义的分类。这对于野生动物保护中的应用特别有益，在野生动物保护中，从图像中识别和编目各种物种是必不可少的，但通常是资源密集型的。
零射击学习显示出前景的另一个领域是自然语言处理 (NLP)。例如，在文本分类任务中，可以训练模型将新闻文章分类为政治或体育等类别。通过零样本学习，相同的模型可以通过理解这些类别的语义来将文章分类为新的类别，如技术或娱乐，而不需要额外的标记示例。此外，零射击学习可以提高聊天机器人或虚拟助手的性能，使他们能够理解和响应有关其训练数据中未明确涵盖的主题的查询。总体而言，零射击学习的多功能性允许跨各种应用的更高效和适应性强的AI系统。