التعلم بدون أمثلة
التعلم بدون أمثلة (Zero-Shot Learning - ZSL) يشير إلى قدرة النموذج على التعرف على فئات معينة لم يسبق له مواجهتها خلال عملية التدريب. الهدف الأساسي منه هو تحقيق تصنيف وتعرف فعال على الفئات التي كانت غير معروفة أثناء المرحلة الإشرافية للتعلم. في علم المعالجة اللغوية الحديث (NLP)، يمكن للنماذج اللغوية تقييم المهام الثانوية دون ضبط دقيق، مما يعزز بشكل كبير قدرة النموذج على التعميم وقيمة التطبيق. يتم تحقيق الاستدلال على الفئات غير المرئية من خلال تعلم خريطة من فضاء خصائص الصورة إلى الفضاء الدلالي، أو من خلال التضمينات المتعددة الأوضاع غير الخطية. قدّمت مجموعات البيانات المعيارية مثل aPY، AwA، وCUB دعماً حاسماً لأبحاث التعلم بدون أمثلة.
CUB-200-2011
ZSL_TF-VAEGAN
MedConceptsQA
gpt-4-0125-preview
SUN Attribute
AwA2
ZSL-KG
Food-101
Stanford Cars
VOC-MLT
ImageNet
DTD
CIFAR-100
SUN397
Caltech-101
UCF101
ZLaP*
CIFAR-10
Oxford-IIIT Pets
FGVC-Aircraft
Flowers-102
Oxford 102 Flower
COCO-MLT
ResNet-50
MSRVTT-QA
aPY - 0-Shot
MIT-States
CZSL
iVQA
FrozenBiLM
LSMDC
ImageNet_CN
GDSCv2
MSDA
How2QA
SeViLA
EuroSAT
ZLaP*
PASCAL Context
ZS3Net
TVQA
MSVD-QA
SNIPS
CUB-200 - 0-Shot Learning
zsl_ADA