零样本学习（Zero-Shot Learning，ZSL）是一种机器学习范式，其中模型能够识别没有训练样本的类别。
形式上考虑两个类别集合：训练类别 \( \mathcal{Y}_{seen} \) 和测试类别 \( \mathcal{Y}_{unseen} \)，且满足 \( \mathcal{Y}_{seen} \cap \mathcal{Y}_{unseen} = \emptyset \)。
目标是学习一个函数 \( f: \mathcal{X} \to \mathcal{Y}_{unseen} \)，该函数能够将输入数据 \( x \in \mathcal{X} \) 正确地分配到未知类别，通过访问类别的语义表示 \( \phi(y) \)。
这些表示可以是属性、词向量或其他语义嵌入，这些嵌入对已见类别和未见类别均可用。
一种常见的方法是将输入数据和类别属性投影到一个共同空间，以计算相似度，从而分配未知类别。
定义：
“零样本学习是一种学习方法，模型通过类别的语义描述识别新类别，而无需这些类别的训练数据。”
来源：
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).