Zero-shot learning (ZSL) 与传统学习方法相比具有显着优势，主要是通过其处理看不见的类的能力并减少对大量标记数据的需求。在传统的机器学习中，模型是在一组特定的类上训练的，并且需要为每个类标记示例。如果出现新的类，开发人员必须收集标记的数据，这可能既耗时又昂贵。相比之下，零样本学习允许模型通过依赖属性、语义嵌入或类之间的关系来预测它们以前从未遇到过的类。例如，如果一个模型被训练来识别像 “猫” 和 “狗” 这样的动物，它可以被扩展到通过理解像 “条纹” 或 “四条腿” 这样的属性来识别 “斑马”，即使没有事先暴露于斑马的图像。
零射击学习的另一个关键好处是其资源利用效率。开发人员在为每个类别获取足够的标记数据方面经常面临挑战，特别是在医学成像或稀有物种识别等专业应用中。ZSL通过允许使用现有知识在不同任务之间进行概括来缓解这一挑战。例如，在医学诊断中，在常见状况的图像上训练的模型仍然可以通过利用共同特征或专家注释来帮助识别罕见疾病，而不是需要针对每种状况的大量注释数据集。这减少了与构建健壮模型相关的总体开发时间和成本。
最后，零射学习增强了机器学习系统的灵活性和可扩展性。随着新类的出现，传统方法可能很快就会过时，而无需对新数据集进行重新训练。使用ZSL，开发人员可以更轻松地调整模型以适应新类型的数据或类，而无需进行彻底的检修。这种适应性在社交媒体或电子商务等动态领域特别有价值，因为新的内容或产品不断出现。例如，使用零射学习的推荐系统可以基于属性而不是特定的训练数据来建议项目，从而允许快速集成新产品而无需大量的重新训练。总体而言，zero-shot learning提供了一种强大的方法，简化了开发过程，并扩展了机器学习系统在各种应用中的实用性。