本次查询：Zero-Shot Learning
中文解释：零样本学习
常见场景：零样本学习常用于图像识别中的未知对象分类 / 自然语言处理中的新实体识别 / 推荐系统中的冷启动项处理 / 以及机器人对未见过物体的操作等开放域场景。
一句话解释
零样本学习让模型在训练时完全没见过某个类别的一张图片或一段文本，却能依靠对这个类别“描述”的理解（比如“会飞、有羽毛、体型小”对应“麻雀”），正确识别出它。
为什么会被关注
传统监督学习需要为每个新类别收集大量标注样本，成本极高且难以覆盖所有现实类别。零样本学习能显著降低数据依赖，使AI在稀有物种识别、新兴商品分类、医疗罕见病诊断等数据稀缺场景中依然有效。
核心逻辑
零样本学习通常构建一个共享的语义空间（如属性向量、词嵌入），将训练类与测试类映射到同一空间。模型在训练时学习从视觉/文本特征到语义空间的转换，测试时通过计算输入特征与未见过类语义描述的相似度完成分类。
常见场景
图像领域：识别动物园里从未训练过的动物种类，根据“有条纹、像马”识别斑马。文本领域：判断一篇新闻是否属于训练时未出现的“加密货币”主题，通过关联词“区块链、挖矿”进行推断。推荐系统：为无人问津的新商品匹配潜在用户，利用其属性描述。
容易混淆的点
零样本学习与少样本学习（Few-Shot Learning）不同：零样本在训练阶段完全无该类别样本，少样本有少量样本。也与无监督学习不同：零样本仍依赖类别语义标签，而非完全无标签。此外，零样本学习不保证100%准确，语义鸿沟（训练集与测试集属性不一致）会导致性能下降。