التعلم الصفر العام (GZSL) ظهر كمجال بحثي رئيسي في رؤية الحاسوب، بفضل قدرته على التعرف على الأشياء التي لم يتم رؤيتها أثناء التدريب. رغم التقدم الكبير الذي أحرزته التقنيات الجenerative في تحويل GZSL التقليدية إلى تعلم مشرف عليه بالكامل، فإنها تميل إلى إنتاج عدد كبير من الخصائص الاصطناعية التي غالبًا ما تكون زائدة عن الحاجة، مما يزيد وقت التدريب ويقلل من الدقة. لمعالجة هذه المشكلة، تقترح هذه الورقة نهجًا جديدًا لاختيار الخصائص الاصطناعية باستخدام التعلم التعزيزي. بشكل خاص، نقترح منتقيًا يستند إلى المتحولات (transformer) يتم تدريبه عبر تحسين السياسة القريبة (PPO) لاختيار الخصائص الاصطناعية بناءً على دقة تصنيف الفئات المرئية في مجموعة التحقق، والتي تعمل كمكافأة. الطريقة المقترحة غير مرتبطة بنموذج معين وغير مرتبطة بأنواع البيانات، مما يجعلها قابلة للتطبيق على كل من الصور والفيديوهات ومتعددة الاستخدامات لتطبيقات متنوعة. تظهر نتائج التجارب لدينا تفوق نهجنا على طرق إنتاج الخصائص الموجودة، مما يؤدي إلى تحسين الأداء الشامل في عدة مقاييس مرجعية.