Zero-shot learning (ZSL) 是一种机器学习方法，其中模型学习识别以前从未见过的对象或概念。虽然这种方法有利于减少对标记数据的需求，但它也带来了几个关键挑战。一个主要的挑战是依赖于用于表示看不见的类的语义嵌入的质量。例如，如果模型仅使用简单的词向量来表示概念，则它可能无法捕获区分相似类别所需的细微差别，从而导致错误分类。
另一个挑战是难以将知识从可见的类推广到看不见的类。为了使零样本学习模型有效地工作，它需要识别已知类和未知类之间的关系。然而，这个过程并不总是简单的。例如，如果一个模型是在像 “猫” 和 “狗” 这样的动物图像上训练的，但面对一个像 “斑马” 这样的新类别，如果模型没有接触到已知和未知类别共有的特征，它可能会遇到困难。例如通过 “条纹” 或 “四条腿” 等描述性属性传达的那些。
进一步的复杂性来自训练数据中潜在的偏差。如果训练数据没有很好地多样化或没有充分地覆盖各种属性，则模型可能对类之间的关系产生歪曲的理解。当尝试对未见过的类进行分类时，这可能导致性能不佳。例如，如果大多数 “鸟类” 的训练图像仅具有 “麻雀” 或 “鸽子” 等常见物种，则模型可能无法识别 “火烈鸟” 或 “企鹅” 等稀有鸟类。克服这些挑战需要仔细的数据集选择，属性设计和算法调整，以确保模型可以学习健壮的关系并有效地泛化。