【AI词典】Zero-shot学习 - 无需样本即可识别新类别的机器学习方法

Zero-shot学习：无需样本即可识别新类别的机器学习方法

Zero-shot学习（Zero-shot Learning, ZSL）是一种机器学习范式，其核心目标是使模型能够识别或理解在训练阶段从未见过任何具体样本的新类别。它通过迁移已学知识并利用类别之间的语义关联，实现了从已知领域向未知领域的泛化能力。

原理：知识迁移与语义桥梁

想象一下，一个从未见过“斑马”的孩子，如果他知道“马”的样子和“老虎”的条纹，当被告知“斑马是一种有黑白条纹的马科动物”时，他就能在第一次见到斑马时将其识别出来。Zero-shot学习的原理与此类似。

其工作流程通常包含两个关键空间：视觉特征空间（如图像的像素、形状、纹理等）和语义属性空间（如“有条纹”、“是哺乳动物”、“生活在草原”等文本描述的属性或词向量）。在训练阶段，模型学习已知类别的视觉特征与其对应语义属性之间的映射关系。当面对一个全新的类别时，模型仅需获得该新类别的语义描述（作为“知识”或“桥梁”），便可通过已建立的映射关系，在视觉特征空间中定位并识别出这个新类别，而无需任何该新类别的图像样本。这本质上是一种从已知到未知的知识迁移和推理过程。

应用场景

• 开放域图像识别：在图片库或安防监控中，系统需要识别层出不穷的新物体（如新上市的电子产品、罕见的野生动物）。Zero-shot学习允许系统仅通过新物体的文字描述（如商品参数、动物百科）来建立识别能力，无需重新收集和标注海量图片。
• 细粒度分类与药物发现：在生物信息学领域，面对数以万计尚未进行实验验证的化合物分子，研究人员可以利用Zero-shot学习，将已知药物的分子结构特征与其治疗疾病的语义信息（如靶点、病理机制）关联，从而预测全新分子结构的潜在药用活性，极大加速药物筛选进程。
• 自然语言理解与生成：大型语言模型（LLM）具备强大的Zero-shot能力。当用户给出一个它未曾被明确训练过的复杂指令（如“用莎士比亚的风格写一封辞职信”）时，模型能够分解并理解“莎士比亚风格”、“辞职信”等概念的语义，组合生成符合要求的文本，而无需针对此特定任务进行微调。

相关术语

理解Zero-shot学习，可关联以下概念：少样本学习、迁移学习、元学习、语义嵌入、广义Zero-shot学习。

延伸阅读

若想深入了解，建议从阅读经典论文《Label-Embedding for Attribute-Based Classification》开始，它奠定了属性嵌入的基础。同时，可以关注计算机视觉顶会（如CVPR、ICCV）中关于“开放集识别”和“零样本学习”的最新研究进展，这些领域与Zero-shot学习紧密相关且发展迅速。