詳細解釋
模型在從未見過某類別訓練樣本的情況下，僅憑描述或相關信息就能識別該類別的能力。
傳統 vs 零樣本：
- 傳統監督學習：每類需數百數千樣本
- 零樣本：訓練時未見過該類別，僅憑描述識別
- 示例：模型見過「狗」「貓」的圖片，憑「有四條腿的家養寵物」描述識別「兔子」
實現方式：
- 屬性預測：學習預測類別的視覺屬性，新類別組合屬性
- 嵌入空間：圖片和類別描述映射到同一空間，最近鄰匹配
- 生成模型：根據描述生成樣本，再分類
- LLM 時代：用自然語言描述新類別，模型理解語義
評估基準：
- ImageNet Zero-Shot：用詞向量描述類別
- CUB、AWA：細粒度識別（鳥類、動物屬性）
- CLIP：圖片-文本對比學習，天然支持零樣本
與少樣本學習（Few-shot）的對比：
- 零樣本：0 個樣本，純描述
- 少樣本：1-10 個樣本，快速適應
- 都旨在減少對大量標註數據的依賴
應用：
- 新產品識別：電商上新SKU無需重新訓練
- 稀有疾病：醫學影像中罕見病變
- 開放集識別：面對未知的未知（unknown unknowns）
挑戰：
- 描述質量：依賴準確的類別描述
- 粒度限制：細微差異難以語言描述
- 領域差距：訓練域與目標域差異大時失敗
這是「人類級泛化」的嘗試—— 像人類一樣，聽描述就識別新事物。