Zero-Shot Learning (ZSL) désigne des méthodes où un modèle peut reconnaître des objets ou des classes qui n'ont pas été explicitement vus pendant l'entraînement.
Cela est rendu possible en permettant au modèle d'accéder à des descriptions sémantiques ou des attributs des classes, par exemple des descriptions textuelles ou des vecteurs de caractéristiques.
Typiquement, un espace de caractéristiques commun est créé, dans lequel les classes connues ainsi que les nouvelles classes inconnues peuvent être représentées.
Le modèle apprend à intégrer les données d'entrée dans cet espace et peut ainsi reconnaître de nouvelles classes à partir de leurs représentations sémantiques.
Zero-Shot Learning est souvent utilisé dans la reconnaissance d'images et de la parole pour rendre les modèles plus flexibles et adaptables.