يتمثل التعلم الصفري في تعلُّم كيفية التعرف على مفاهيم جديدة من خلال مجرد توفر وصف لها. وقد تم اقتراح العديد من النُهج المتقدمة لمعالجة التحديات التي يفرضها هذا النوع من المشكلات. في هذه الورقة، نصف نهجًا للتعلم الصفري يمكن تنفيذه بسطر واحد من الكود، ومع ذلك فإنه قادر على تفوق النُهج الرائدة في المجال على مجموعات البيانات القياسية. يعتمد هذا النهج على إطار عام يُمثّل العلاقات بين الميزات والسمات والتصنيفات كشبكة مكونة من طبقتين خطيتين، حيث لا يتم تعلُّم أوزان الطبقة العلوية، بل تُعطى من البيئة. كما نقدّم حدًّا للتعلم بالنسبة لخطأ التعميم في هذا النوع من النُهج، من خلال اعتبارها طرقًا للتكيف بين المجالات. في التجارب التي أُجريت على ثلاث مجموعات بيانات حقيقية قياسية، وجدنا أن نهجنا قادر على تحقيق أداءً أفضل بشكل ملحوظ من النُهج الرائدة في جميعها، محقِّقًا نسبة تحسّن تصل إلى 17%.