What is zero-shot learning?

最新推荐文章于 2025-09-07 07:31:26 发布
原创 最新推荐文章于 2025-09-07 07:31:26 发布 · 2.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了零样本学习的概念，即在没有特定任务训练样本的情况下解决新任务的能力。通过定义语义输出代码分类器（SOC），利用关于输出类别语义属性的知识库来预测训练集中未出现过的新型类别。
  • Zero-shot learning is being able to solve a task despite not having received any training examples of that task. For a concrete example, imagine recognizing a category of object in photos without ever having seen a photo of that kind of object before. If you’ve read a very detailed description of a cat, you might be able to tell what a cat is in a photograph the first time you see it.
  • We consider the problem of zero-shot learning, where the goal is to learn a classifier
    f : X → Y that must predict novel values of Y that were omitted from
    the training set. To achieve this, we define the notion of a semantic output code
    classifier (SOC) which utilizes a knowledge base of semantic properties of Y to
    extrapolate to novel classes

https://www.quora.com/What-is-zero-shot-learning
http://www.cs.cmu.edu/afs/cs/project/theo-73/www/papers/zero-shot-learning.pdf

Understanding Transductive Few-shot Learning
weixin_41697507的博客
09-17 1333
Image annotation can be a bottleneck for the applicability of machine learning when a costly expert annotation is needed. Some examples are medical imaging, astronomy, or botanics. To alleviate this problem, few-shot classification aims to train classifier
【论文阅读】Multi-level Semantic Feature Augmentation for One-shot Learning
cainiaomyf的博客
11-27 1373
人类能够从有限样本中快速识别和学习新的视觉概念，使其能够迅速适应新任务和环境。这种能力源于将新概念与已学习并存储在记忆中的概念进行语义关联。计算机可以通过使用语义概念空间来获得类似的能力。概念空间是一个高维语义空间，其中相似的抽象概念相距较近，而不相似的概念则相距较远。在本文中，我们提出了一种基于这一核心思想的新颖单样本学习方法。我们的方法学习将一个新样本实例映射到一个概念上，将该概念与概念空间中的现有概念关联起来，并利用这些关系，通过概念间的插值生成新实例，以帮助学习。
Zero-Shot Learning零样本学习 入门 基本概念
River_J777的博客
12-19 2055
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
AI知识-零样本学习（Zero-shot Learning）
xinzhaobuxuan的博客
01-13 1000
零样本学习是一种前沿的机器学习技术，它使机器能够在没有直接训练数据的情况下识别新的类别。通过利用描述信息和特征提取，零样本学习模拟了人类根据已有知识来理解新事物的能力。这项技术在多个领域都有广泛的应用，并且随着研究的深入，其潜力和应用范围还在不断扩大。
深度学习中的Zero-shot（零次学习）
最新发布
weixin_62919816的博客
09-07 248
1 Zero-shot介绍。2.2 基于语义嵌入的方法。2.5 基于深度学习的方法。2.4 基于图模型的方法。2.1 属性标签嵌入法。4 基于CLIP实现Z。2.3 生成模型方法。3.2 自然语言处理。
A Survey of Zero-Shot Learning(零样本学习综述)
10-07
近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, Methods, and Applications
Zero shot learning
qq_51143009的博客
12-02 3389
Zero shot learning 主要考察的问题是如何建立语义和视觉特征的关系（视觉特征一般用预训练好的CNN提取特征，不再进行fine-tine） 为了预测从未在训练集上出现的目标种类，仿照人的思维迁移，能根据某些特征描述（他和谁长得像，有点类似于科学家第一次看见鸭嘴兽的感觉），猜测一个从未见过的目标种类。 Zero shot learning:假设斑马是未见过的类别，但根据描述和过去知识的印象即马（和马相似）、老虎（有条纹）、熊猫（颜色）相似进行推理出斑马的具体形态，从而能对新对象进行辨认。 零
Zero Shot | 一文了解零样本学习
zenRRan的博客
01-11 2万+
每天给你送来NLP技术干货！来源｜知乎 作者｜恒大大地址｜https://zhuanlan.zhihu.com/p/142057964报道｜人工智能前沿讲习网上有一些关于零样本学习的讨论...
Zero-shot, One-shot和Few-shot的理解
qq_25438419的博客
01-21 1005
meta就是描述数据的数据。比如照片，我们看到的是它呈现出来的数据， 即Data，但它还含有许多描述它拍摄参数的数据，比如光圈、快门速度、相机品牌等，即Meta。机器学习模型一般要求训练集样本量足够大，才能取得不错的预测效果。但对于人来说却不需要，对于一个从没有见过小猫和小狗的小朋友来说，给他几张照片他就能轻松的学会如何分辨两只动物。如果一个人已经掌握了如何骑自行车，那么学习如何骑摩托车对他来说会非常轻松。我们能否设计一个模型，让模型仅从一点点训练样本就能学会新的“知识”呢？即让模型“自己学会去学习”
Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?
m0_37531129的博客
08-13 761
大语言模型能够通过上下文学习-只需要在推理阶段加入一些输入-标签的示例对，就能完成对新输入文本的预测。但是，对模型是如何学习，示例的哪些方面会影响最终的任务效果，我们知之甚少。在这篇纹章中，我们揭示了 正确的输入-标签示例对不是必须的，随机替换示例中的标签几乎不会影响效果，这个结论在12个不同的模型上是一致的，包括gpt3。相反，我们发现示例的其他方面是最终任务效果的核心驱动，包括：标签的空间，输入文本的分布，整体序列的格式。
zero-shot chain
01-16
2. What are some common challenges faced when implementing real-world applications involving zero-shot learning chains? 3. Can you provide examples of industries benefiting most significantly from ...
零次学习（Zero-Shot Learning）入门
qq_27245709的博客
06-01 880
转自：https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.399ce44aXsg7cN 谢谢作者 很久没有更文章了，主要是没有找到zero-shot learning(ZSL)方面我特别想要分享的文章，且中间有一段时间在考虑要不要继续做这个题目，再加上我懒 (￢_￢)，所以一直拖到了现在。 最近科研没什么进展，就想着写一个ZSL的入门性的文章，目的是为了帮助完全没有接触过这方面，并有些兴趣的同学，能在较短的时间对ZSL有一定的认识，并且.
Zero-Shot（零样本学习），One-Shot（单样本学习），Few-Shot（少样本学习）概述
qq_54708219的博客
07-10 1399
指模型在未接收任何任务专属样本的条件下，仅通过任务描述或语义关联完成对新类别/任务的识别或生成。其核心是知识迁移——将预训练阶段学到的通用能力泛化到未知领域。类比理解人类若已知“斑马有黑白条纹”，即使从未见过“斑驴”，也能根据描述“斑驴是斑马与驴的杂交后代”推测其形态——这正是ZSL的思维本质。Zero-Shot Learning是AI泛化能力的终极考验传统ZSL（2010-2018）：依赖人工属性，解决语义鸿沟。生成式ZSL（2018-2022）：GAN/VAE合成样本缓解数据稀缺。大模型时代ZSL。
Zero-shot Learning 综述（总）——2018年及以前
xiaohuilang6的博客
05-08 992
zero-shot learning 在零次学习（ZSL）中，训练集中的样本标签与测试集的标签是不相交的，即在训练时是没有见过测试集类别的样本的，而零次学习任务就是要识别出这些训练时没见过的类别的样本。既然要认出没见过的对象，那就要教会模型学习到更“本质”的知识，并且将这些知识“举一反三”，从已见过的类别（seen）迁移到没见过的类别（unseen）。在具体的实现中，模型会使用一层语义嵌入层，作为seen类和unseen类的迁移桥梁或者说中间表示，将seen类的知识迁移到unseen类，教会模型”举一反三
MZSR：用于 Zero-Shot 超分辨率的元转换学习
程序员深度学习
06-06 1814
这是今年CPVR2020 一篇关于超分辨率的论文。这篇文章的创新点在于它将零次学习 （Zero-Shot Learning）和元转换学习（Meta Transfer Learning）进行结合，提出了新的超分算法 MZSR 。 ZSSR最早被提出，将图像内部学习用于图像超分辨率。它能够很好地学习图像内部的先验信息，从而利用这些内部信息恢复图像高频信息。由于 ZSSR 从一张图像中学习，因此需要几千次的梯度更新迭代，也就是说测试时推理时间很长。 而 MZSR则是通过元转换学习解决测试推理时间长的问题，MZS.
（转）零次学习（Zero-Shot Learning）入门
热门推荐
一路向北
08-22 4万+
零次学习（Zero-Shot Learning）入门 小栗子    转自：https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.399ce44aXsg7cN  谢谢作者 事物的本质反映世界构成的规律 408 人赞了该文章 很久没有更文章了，主要是没有找到zero-shot learning(ZSL)方面我特别想要分享的...
Zero-shot（零次学习）简介
gary101818的博客
02-19 2万+
所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签，以及关于前三种动物和斑马的描述。假设我们已知驴子和马的形态特征，又已知老虎和鬣狗都是又相间条纹的动物，熊猫和企鹅是黑白相间的动物，再次的基础上，我们定义斑马是黑白条纹相间的马科动物。如今十分火热的纯监督模型往往需要足够多的样本才能训练出足够好的模型，并且用熊猫训练出来的分类器，只能对熊猫进行分类，其他物种都无法识别，也无法进行特征的综合推理，这样的模型功能还有待完善。ZSL这样的设置其实就是上文中识别斑马的过程中，已知的条件。
Zero-Shot, One-Shot, and Few-Shot Learning概念介绍
weixin_42010722的博客
06-13 1万+
本文将介绍零样本学习、一次样本学习和少样本学习的概念，它们使得机器学习模型能够在仅有有限数量的示例情况下对对象或模式进行分类和识别。在机器学习中，我们通常需要大量的训练数据来训练模型，以便它能够准确地识别和分类新的输入。然而，在现实世界中，获取大规模标记数据集可能是昂贵和耗时的。因此，零样本学习、一次样本学习和少样本学习等技术应运而生，它们旨在解决这个问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值