零样本学习 (Zero-Shot Learning)

零样本学习(Zero-Shot Learning)指模型对训练阶段从未出现过的类别或任务,仍能作出正确判断的能力。它不依赖目标类别的标注样本,而是借助语义描述、属性或跨模态对齐来完成识别。

概述

传统监督学习只能识别训练中见过的类别。零样本学习通过引入类别的辅助信息,例如文字描述、属性向量或与其它模态的对齐关系,让模型把已学知识迁移到新类别上。大语言模型也常在没有任务示例的情况下,仅凭指令就完成新任务,这是零样本能力的典型体现。

核心原理

• 语义桥接:用类别的文本或属性描述连接已知与未知类别。
• 跨模态对齐:如图文对齐模型把图像和文字映射到共享空间,从而识别新类别。
• 知识迁移:利用预训练中积累的广泛世界知识泛化到未见任务。
• 指令驱动:大模型仅凭自然语言指令即可执行未专门训练过的任务。

应用场景

零样本学习用于开放类别的图像识别、跨语言迁移、以及大语言模型的直接问答和分类。它极大降低了对标注数据的依赖,使模型能快速适应新需求,是通用人工智能追求的关键能力之一。

常见问题

问:零样本和少样本学习有何区别?答:零样本完全不提供目标类别样本,少样本则给出极少量示例供模型参考。

问:零样本效果一定不如有监督训练吗?答:通常在专门任务上略逊,但胜在无需标注、覆盖面广,对新类别响应快,二者各有取舍。