零样本学习（Zero-Shot Learning，简称 ZSL）是深度学习中的一个问题设置，在测试时，学习者观察训练期间未观察到的类中的样本，并需要预测它们所属的类。这个问题在计算机视觉、自然语言处理和机器感知领域得到了广泛的研究。 Zero-Shot 的主要目的是在没有任何训练样本的情况下获得预测结果的能力，机器必须识别训练期间未训练的类中的对象。零样本学习基于知识迁移，知识迁移已包含在训练时馈送的实例中。
零样本学习的的重要性和应用
- 数据标注是一项劳动密集型工作，当特定类别缺乏训练数据时可以使用零样本学习；
- 零样本学习可以部署在模型必须学习新任务而无需重新学习以前学过的任务的场景中；
- 提高机器学习模型的泛化能力；
- 零样本可能是比传统方法（例如通过试错学习）更有效的学习新信息的方法；
- 在图像分类和目标检测中，零样本学习对于寻找视觉效果也很有帮助；
- 零镜头更支持开发图像生成、图像检索等多个深度工作框架。
参考来源
【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