零触发学习 (ZSL) 和传统迁移学习是机器学习中使用的两种方法，用于在训练数据有限或没有训练数据的情况下提高模型性能。它们之间的主要区别在于它们如何处理培训和测试阶段。在传统的迁移学习中，在大型数据集上预先训练的模型会在相关但较小的数据集上进行微调。这允许模型将知识从一个任务转移到不同但相似的任务。例如，在识别日常照片中的物体上训练的模型可以被微调，以识别仅具有少量示例的特定类型的动物。
相比之下，零射学习通过旨在识别在训练期间未看到的课程来以不同的方式解决问题。ZSL不需要来自目标类的样本，而是使用有关类的其他信息来进行推断。例如，如果一个模型已经在几种类型的动物上训练过，但从未见过斑马，它仍然可以通过理解与之相关的属性来识别斑马，如 “条纹” 、 “四条腿” 和 “马状”。零样本学习利用语义关系或描述在完全没有训练数据的情况下进行预测。
根据情况，这两种技术都可以是有益的。如果你有少量的新任务的数据，传统的迁移学习通常更有效，因为模型可以利用其过去的知识。但是，在无法收集特定类的任何数据的情况下，零样本学习提供了一种无需任何额外训练数据即可扩展模型功能的方法。因此，这两种方法之间的选择通常取决于标记数据的可用性和手头项目的特定要求。