يهدف التعلم الصفرية المركّبة (CZSL) إلى تدريب النماذج على التعرف على مفاهيم مركّبة جديدة استنادًا إلى مفاهيم مُدرّبة مسبقاً، مثل توليفات الصفات مع الكائنات. أحد التحديات الرئيسية هو نمذجة تفاعل الصفات مع كائنات مختلفة، مثلاً، قد يختلف المعنى المقصود بالصفة "رطب" في "تفاحة رطبة" عن "قطة رطبة". كحل لهذا التحدي، نقدّم تحليلًا ونُقدّم حجّة تُشير إلى أن الصفة تكون مشروطة بالكائن المُعرَّف والصورة المُدخلة، ونستكشف تعلّم تمثيلات صفات شرطية من خلال إطار تعلّم صفات مُقترح يحتوي على مُدرّس مُعادل صفات و مُدرّس أساسي للصفات. من خلال ترميز الصفات الشرطية، تمكّن نموذجنا من إنشاء تمثيلات صفات مرنة تُمكّن من التعميم من التوليفات المرئية إلى التوليفات غير المرئية. أظهرت التجارب على مجموعات بيانات معيارية لـ CZSL، بما في ذلك مجموعة البيانات الأصعب C-GQA، أداءً أفضل مقارنةً بأساليب الحالة الحالية، مما يُثبت أهمية تعلّم الصِفات الشرطية. يمكن الوصول إلى الشفرة عبر الرابط: https://github.com/wqshmzh/CANet-CZSL