Zero-Shot Learning (ZSL) ist eine Problemstellung im Deep Learning.Zur Prüfungszeit beobachtet der Lernende Beispiele aus Klassen, die während des Trainings nicht beobachtet wurden, und muss vorhersagen, zu welcher Klasse sie gehören. Dieses Problem wurde in den Bereichen Computer Vision, natürliche Sprachverarbeitung und maschinelle Wahrnehmung umfassend untersucht. Der Hauptzweck von Zero-Shot besteht darin, Ergebnisse ohne Trainingsbeispiele vorhersagen zu können. Die Maschine muss Objekte aus Klassen erkennen, auf die sie während des Trainings nicht trainiert wurde. Zero-Shot-Learning basiert auf der Wissensvermittlung, die bereits in den im Training vermittelten Beispielen enthalten ist.

Bedeutung und Anwendungen des Zero-Shot-Learning

• Die Datenbeschriftung ist eine arbeitsintensive Aufgabe und Zero-Shot-Learning kann verwendet werden, wenn für eine bestimmte Kategorie keine Trainingsdaten vorhanden sind.
• Zero-Shot-Learning kann in Szenarien eingesetzt werden, in denen das Modell eine neue Aufgabe erlernen muss, ohne zuvor erlernte Aufgaben erneut zu erlernen.
• Verbessern Sie die Generalisierungsfähigkeit von Modellen des maschinellen Lernens.
• Zero-Shot kann eine effizientere Methode zum Erlernen neuer Informationen sein als herkömmliche Methoden (z. B. Lernen durch Versuch und Irrtum).
• Zero-Shot-Learning ist auch hilfreich, um visuelle Effekte bei der Bildklassifizierung und Objekterkennung zu finden.
• Zero Lens unterstützt auch die Entwicklung mehrerer Deep-Working-Frameworks wie Bildgenerierung und Bildabruf.

Verweise

【1】https://en.wikipedia.org/wiki/Zero-shot_learning

【2】https://www.analyticsvidhya.com/blog/2022/12/know-about-zero-shot-one-shot-and-few-shot-learning/#h-zero-shot-learning