ゼロ・ショット・ラーニング

ゼロショット学習(ZSL)は機械学習における先進的な概念であり、モデルは学習段階で一度も遭遇したことのないオブジェクト、概念、タスクを識別するように学習される。各カテゴリーについて広範なラベル付きデータを必要とする従来のモデルとは異なり、ゼロショット学習は、モデルが見たクラスから見たことのないクラスへと汎化することを可能にする。

ゼロ・ショット・ラーニングの仕組み

ゼロショット学習は、既知のクラスと未知のクラスを関連付けるために、意味的埋め込みを活用する。これらの埋め込みは、多くの場合、既知のクラスと未知のクラスの間のギャップを埋めるテキスト記述や属性などの補助的な情報に由来する。モデルは学習中に、これらの意味的埋め込みと視覚的特徴との関連付けを学習する。

AIにおける関連性

ゼロショット学習は、膨大な量のラベル付きデータの必要性に取り組むことができるという点で重要である。希少種の検出や異常な出来事の分類など、ありとあらゆるカテゴリーについてラベル付きデータを取得することが非現実的な分野での課題に対応する。

実世界での応用

• ヘルスケア医療画像診断では、ゼロショット学習を適用することで、限られた医療記録や画像データから希少疾患を検出することができ、大規模なデータセットの必要性を減らすことができます。ヘルスケアにおけるAIの詳細については、こちらをご覧ください。

• 自律走行：自律走行車は、トレーニングデータセットには存在しなかった新しい交通標識や障害物を識別することで、ゼロショット学習の恩恵を受け、安全性とナビゲーションを向上させることができます。自動運転アプリケーションにおけるAIを発見する。

類似概念との差別化

ゼロショット学習と数ショット学習

ゼロショット学習が訓練段階で全く見たことのないクラスを扱うのに対し、少数ショット学習は少数のラベル付きサンプルを必要とする。ゼロショット学習が完全に意味記述子に依存するのに対し、数ショット学習は、新しいクラスのラベル付きサンプルが数個利用可能な場合に特に効果的である。

ゼロショットとトランスファー学習

転移学習は、新しいデータでの追加訓練を使って、事前に訓練されたモデルを新しいタスクに適応させる。対照的に、ゼロショット学習は、追加訓練なしで知識を新しいクラスに直接適用することを目的としている。転移学習の詳細を見る

との統合Ultralytics

Ultralytics Ultralytics HUBのような最先端のソリューションとツールを提供し、以下のような高度なAIモデルの展開を効率化します。 Ultralytics YOLOv8.Ultralytics HUBは、効率的な実世界アプリケーションのためのゼロショット学習技術を利用したモデルの統合と展開を促進することができます。

使用例

1. 文章から画像へのモデル：DALL-Eのようなモデルを活用することで、システムはトレーニング中に見られなかったオブジェクトのテキスト記述に基づいて画像を生成することができ、ゼロショット能力を示すことができます。ジェネレーティブAIのインパクトについてはこちらをご覧ください。

2. MetaのSegment Anything Model (SAM)：このモデルは、画像と動画の両方でリアルタイムにプロンプトが表示されるセグメンテーションをサポートし、モデルのトレーニング中にオブジェクトが識別されないシナリオで優れています。 SAM の機能をご覧ください。

さらに読む

• Ultralytics'AI and Vision Technologies Glossary（AIとビジョンテクノロジー用語集）をご覧ください。
• AIソリューションとトレンドに関する洞察については、Ultralytics 。
• シームレスでコード不要の機械学習ソリューションについては、 Ultralytics HUB をご覧ください。

ゼロショット学習は、多様でダイナミックな環境に対応するAIの能力を飛躍的に向上させるものであり、さまざまな産業における将来のイノベーションに不可欠なツールとなる。