Zero-Shot Learning (ZSL) ist ein Paradigma des maschinellen Lernens, bei dem ein Modell in der Lage ist, Klassen zu erkennen, für die keine Trainingsbeispiele vorliegen.
Formell betrachtet man zwei Klassenmengen: die Trainingsklassen \( \mathcal{Y}_{seen} \) und die Testklassen \( \mathcal{Y}_{unseen} \) mit \( \mathcal{Y}_{seen} \cap \mathcal{Y}_{unseen} = \emptyset \).
Das Ziel ist es, eine Funktion \( f: \mathcal{X} o \mathcal{Y}_{unseen} \) zu lernen, die Eingabedaten \( x \in \mathcal{X} \) korrekt einer unbekannten Klasse zuordnet, indem sie auf eine semantische Repräsentation \( \phi(y) \) der Klassen zugreift.
Diese Repräsentationen können Attribute, Wortvektoren oder andere semantische Embeddings sein, die sowohl für Seen- als auch Unseen-Klassen verfügbar sind.
Ein verbreiteter Ansatz ist die Projektion von Eingabedaten und Klassenattributen in einen gemeinsamen Raum, um Ähnlichkeiten zu berechnen und so unbekannte Klassen zuzuordnen.
Definition:
„Zero-Shot Learning ist eine Lernmethode, bei der ein Modell neue Klassen anhand ihrer semantischen Beschreibungen erkennt, ohne für diese Klassen Trainingsdaten zu besitzen.“
Quelle:
Palatucci, M., Pomerleau, D., Hinton, G. E., & Mitchell, T. M. (2009). Zero-Shot Learning with Semantic Output Codes. Advances in Neural Information Processing Systems (NeurIPS).