Zero-Shot Learning (ZSL) — это парадигма машинного обучения, при которой модель способна распознавать классы, для которых нет обучающих примеров.
Формально рассматриваются два множества классов: обучающие классы \( \mathcal{Y}_{seen} \) и тестовые классы \( \mathcal{Y}_{unseen} \) с условием \( \mathcal{Y}_{seen} \cap \mathcal{Y}_{unseen} = \emptyset \).
Цель состоит в том, чтобы обучить функцию \( f: \mathcal{X} \to \mathcal{Y}_{unseen} \), которая корректно сопоставляет входные данные \( x \in \mathcal{X} \) с неизвестным классом, используя семантическое представление \( \phi(y) \) классов.
Эти представления могут быть атрибутами, векторными представлениями слов или другими семантическими встраиваниями, доступными как для обучающих, так и для тестовых классов.
Распространённый подход — проекция входных данных и атрибутов классов в общее пространство для вычисления сходств и таким образом сопоставления неизвестных классов.
Определение:
«Zero-Shot Learning — это метод обучения, при котором модель распознаёт новые классы на основе их семантических описаний, не имея обучающих данных для этих классов.»
Источник:
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).