Zero-Shot Learning (ZSL) bezeichnet Methoden, bei denen ein Modell Objekte oder Klassen erkennen kann, die während des Trainings nicht explizit gesehen wurden.
Dies wird ermöglicht, indem das Modell auf semantische Beschreibungen oder Attribute der Klassen zugreift, zum Beispiel Textbeschreibungen oder Merkmalsvektoren.
Typischerweise wird ein gemeinsamer Merkmalsraum geschaffen, in dem sowohl die bekannten Klassen als auch die neuen, unbekannten Klassen repräsentiert werden können.
Das Modell lernt, Eingabedaten in diesen Raum einzubetten und kann so neue Klassen anhand ihrer semantischen Repräsentationen erkennen.
Zero-Shot Learning wird oft in der Bild- und Spracherkennung eingesetzt, um Modelle flexibler und anpassungsfähiger zu machen.