Zero-Shot Learning (ZSL) es un paradigma del aprendizaje automático en el que un modelo es capaz de reconocer clases para las que no existen ejemplos de entrenamiento.
Formalmente, se consideran dos conjuntos de clases: las clases de entrenamiento \( \mathcal{Y}_{seen} \) y las clases de prueba \( \mathcal{Y}_{unseen} \) con \( \mathcal{Y}_{seen} \cap \mathcal{Y}_{unseen} = \emptyset \).
El objetivo es aprender una función \( f: \mathcal{X} \to \mathcal{Y}_{unseen} \) que asigne correctamente datos de entrada \( x \in \mathcal{X} \) a una clase desconocida, accediendo a una representación semántica \( \phi(y) \) de las clases.
Estas representaciones pueden ser atributos, vectores de palabras u otros embeddings semánticos que están disponibles tanto para las clases vistas como para las no vistas.
Un enfoque común es proyectar los datos de entrada y los atributos de las clases en un espacio común para calcular similitudes y así asignar clases desconocidas.
Definición:
«Zero-Shot Learning es un método de aprendizaje en el que un modelo reconoce nuevas clases basándose en sus descripciones semánticas, sin poseer datos de entrenamiento para esas clases.»
Fuente:
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).