Apprentissage zéro-shot

Le Zero-Shot Learning (ZSL) fait référence à la capacité d'un modèle à reconnaître certaines catégories qu'il n'a pas rencontrées lors de sa phase d'entraînement. Son objectif principal est d'atteindre une classification et une reconnaissance efficaces sur des catégories qui étaient inconnues pendant la phase d'apprentissage supervisé. Dans le domaine moderne du traitement du langage naturel (NLP), les modèles linguistiques peuvent évaluer des tâches en aval sans ajustement fin (fine-tuning), ce qui améliore considérablement la capacité de généralisation du modèle et sa valeur d'application. Le ZSL réalise des inférences sur des catégories inconnues en apprenant une correspondance entre l'espace des caractéristiques d'image et l'espace sémantique, ou à travers des plongements multimodaux non linéaires. Des ensembles de données de référence tels que aPY, AwA et CUB ont fourni un soutien crucial pour la recherche en ZSL.