什么是零样本学习

零样本学习方法通常通过某种形式的辅助信息将观察到的类别和未观察到的类别联系起来，这些辅助信息编码了对象的可观察到的区分特性。例如，给定一组待分类的动物图像，以及描述动物外观的文本辅助信息，一个经过训练可以识别马但从未见过斑马的人工智能模型，在了解到斑马看起来像条纹马之后，仍然可以识别斑马。

在计算机视觉领域，零样本学习模型学习已观察类别的参数及其类别表示，并依赖于类别标签之间的表示相似性，以便在推理时将实例分类到新类别。在自然语言处理领域，零样本学习关键的技术方向是"理解标签" - 将标签表示在与待分类文档相同的语义空间中，从而支持在不观察任何标注数据的情况下对单个示例进行分类。

对于泛化零样本学习的挑战，其中在测试时可能出现来自新类别和已知类别的样本，一些处理方法包括使用门控模块来决定样本是来自新类别还是已知类别，或使用生成模块生成未观察到类别的特征表示。

大型语言模型（LLM）可以通过零样本学习响应广泛的请求，而无需显式训练，通常通过提示实现，尽管答案的准确性可能有所不同。在零样本学习中，基础LLM可以执行在训练期间看到很少或没有示例的任务或生成数据。这是通过模型学习丰富的表示来实现良好泛化的。例如，一个训练有素的生成动物图像的模型可以通过理解和组合它所看到的其他动物的特征，使用零样本学习来生成罕见动物的图像。

零样本学习的一大优势在于，它能够对从未在训练数据中出现过的新类别进行识别和分类。这在现实世界中很有价值，因为新的类别会不断出现，而重新训练整个模型是一项昂贵的工作。零样本学习使得系统能够灵活地适应新类别，而无需重新训练。

零样本学习技术可以广泛应用于计算机视觉、自然语言处理、计算生物学等多个领域。无论是识别新物体、理解新概念还是分析新基因序列，零样本学习都能发挥作用。这种通用性使得零样本学习成为一种强大的工具，能够解决各个领域中的分类问题。

零样本学习可以利用关于类别的辅助信息，如文本描述或基于属性的表示，来进行分类，而无需任何训练样本。这种方法避免了获取大量标注数据的高昂成本，使得零样本学习在数据稀缺的情况下也能发挥作用。

零样本学习还可以扩展到广义零样本学习设置，在测试时同时处理新类别和已知类别。这种灵活性使得零样本学习在实际应用中更加实用，能够满足复杂的分类需求。

类别由预定义的结构化描述表示，如"红头"和"长喙"表示鸟类。主要应用于计算机视觉，也有一些自然语言处理的例子。

这是自然语言处理中的主要方向，类别标签与待分类文档在同一语义空间中表示，通常使用定义或维基百科等自由文本描述。

类别被嵌入到连续空间中，零样本分类器可以预测样本在该空间中的位置，从而确定最近的类别，即使在训练时没有观察到该类别的样本。

测试时既可能出现新类别也可能出现已知类别，带来额外挑战。处理方法包括使用门控模块判断样本是来自新类别还是已知类别，或使用生成模块生成未见类别的特征表示。