Zero-Shot-Lernen

Zero-Shot Learning (ZSL) bezieht sich auf die Fähigkeit eines Modells, bestimmte Kategorien zu erkennen, die es während des Trainingsprozesses nicht gesehen hat. Das Kernziel ist es, effektive Klassifizierung und Erkennung von Kategorien zu erreichen, die während der überwachten Lernphase unbekannt waren. In der modernen NLP können Sprachmodelle Downstream-Aufgaben bewerten, ohne feinjustiert zu werden, was die Generalisierungsfähigkeit und den Anwendungswert des Modells erheblich steigert. ZSL erreicht Inferenz für unbekannte Kategorien durch das Lernen einer Abbildung vom Bildmerkmalsraum in den semantischen Raum oder durch nichtlineare multimodale Einbettungen. Benchmark-Datensätze wie aPY, AwA und CUB haben ZSL-Forschung entscheidende Unterstützung geboten.