零样本学习是一种机器学习方法，它使模型能够识别和分类在训练阶段从未见过的对象或概念。当训练数据有限时，或者当收集每个可能类别的示例不切实际时，这种技术特别有用。zero-shot learning不是仅仅依赖于标记的数据，而是利用相关类或属性的知识来推断新的、看不见的类。
为了实现零射学习，模型通常利用知识转移机制，例如语义嵌入或属性表示。例如，如果在猫和狗的图像上训练的模型被呈现有马的图像，则它仍然可以通过理解相关特征 (诸如 “四条腿” 或 “动物”) 来做出关于马的知情猜测。该模型可能会使用马的描述或属性，例如 “大”，“鬃毛” 和 “疾驰”，这是通过对其他动物的训练而学到的。通过将这些属性连接到新类，模型可以正确地对马进行分类，而无需之前看到任何马图像。
在实践中，零射击学习可以在各种应用中看到，包括自然语言处理和图像识别。例如，在NLP中，模型可以通过理解熟悉类别的上下文和语言模式来成功地分析新类别的文本的情感。在计算机视觉中，在对 “汽车” 和 “卡车” 等车辆的图像进行训练之后，零拍摄模型可能会识别图像中的新型对象，例如 “自行车”。这种灵活性使零射击学习成为开发人员的强大工具，使他们能够构建能够适应新信息的系统，而无需进行大量的再培训。