零距离学习

零镜头学习（Zero-Shot Learning）是机器学习领域的一种开创性方法，它能让模型识别和分类它们在训练过程中从未遇到过的对象或概念。传统的监督学习依赖于每个类别的标注示例，而零点学习则不同，它利用先前的知识和描述来归纳未见过的类别。在获取所有可能类别的标注数据不切实际或不可能的情况下，这种能力尤为重要。

零起点学习的核心理念

零点学习（Zero-Shot Learning）的核心依赖于已知类和未知类之间共享描述属性或语义关系的理念。模型是在来自已知类别的标注示例数据集上进行训练的，同时也会获得关于每个类别的辅助信息，通常是文本描述或属性形式的信息。在推理过程中，当出现一个未见类别的实例时，模型会利用所学关系和所提供的新类别描述进行预测。这一过程可以有效地泛化训练过程中明确教授的类别。

相关性和应用

零点学习的意义在于它能够处理现实世界中的开放性问题。它尤其适用于数据稀缺或快速发展的领域。主要应用包括

• 新环境中的物体检测：在计算机视觉领域，零点学习（Zero-Shot Learning）使Ultralytics YOLO 等模型能够从训练数据集中未包含的类别中检测物体。例如，一个接受过检测汽车和行人等常见物体训练的模型，即使从未见过这些车辆的标签图像，也能根据描述识别出 "人力车 "或 "滑板车"。这对于将物体检测系统的范围扩展到各种新的场景特别有用。
• 自然语言处理（NLP）：零点学习在文本分类和情感分析等NLP任务中至关重要。为理解电影评论情感而训练的模型可以将这种理解应用到产品评论中，即使产品评论情感并不是训练数据的一部分。这种适应性对于不同领域的情感分析等应用至关重要。
• 扩展类别的图像分类：在图像分类中，"零点学习 "可以将图像分类到模型尚未明确学习的类别中。例如，一个经过广泛动物类别训练的模型可以根据描述性特征对新发现物种的图片进行分类，即使没有该物种的具体训练示例。
• 医学图像分析：在医学图像分析中，零点学习可以帮助识别罕见疾病或异常现象，因为这些疾病或异常现象的标注示例有限。通过利用病理描述性知识，人工智能系统甚至可以对未见过的病症进行初步评估，从而帮助诊断和制定治疗计划。

零点学习 VS 少量学习和单点学习

零点学习（Zero-Shot Learning）处理的是在没有任何训练实例的情况下识别类别的问题，而相关的概念，如少量学习（few-shot learning）和单次学习（one-shot learning）处理的是数据有限的情况。少量学习旨在从每个类别的少量示例中进行泛化，而单次学习则旨在从每个类别的单个示例中进行学习。这些方法没有零点学习那么极端，但仍然注重数据效率。与监督学习相比，零点学习及其相关范式需要为每一类提供大量标注示例，而零点学习为数据稀缺环境下的学习和泛化提供了解决方案，使人工智能模型更具适应性和广泛适用性。

通过使模型能够推断出未见过的类别，"零点学习 "极大地扩展了人工智能的潜力，使其能够解决以新颖性和不断变化的数据集为特征的现实世界问题，从而突破人工智能所能达到的极限。