unseen classes（未見クラス）の物体に関する意味論的説明が与えられた場合、ゼロショット学習は、訓練段階で例が提供されないこれらの未見クラスの物体を正確に認識することを目指します。この目標を達成するために、ラベル付きの例が提供される既知のクラスと関連付ける方法を採用します。本研究では、この問題を多様体学習（manifold learning）の観点から取り組むことを提案します。主なアイデアは、外部情報から導き出される意味論的空间（semantic space）を、視覚特徴を認識することに関心を持つモデル空間（model space）に合わせることです。この目的のために、「ファントム」物体クラスのセットを導入します。これらの「ファントム」クラスの座標は、意味論的空间とモデル空間の両方に存在します。「ファントム」クラスは辞書内の基底として機能し、ラベル付きデータから最適化することで、合成された実際の物体分類器が最適な識別性能を達成できます。我々は4つのゼロショット学習ベンチマークデータセットにおいて、当手法が最先端技術よりも優れた精度を示すことを実証しました。これらには20,000以上の未見クラスを含む完全版ImageNet Fall 2011データセットも含まれています。