零样本学习(ZSL)是一种机器学习范例，使用预先训练的深度学习模型来泛化新类别的样本。其思路是将训练实例中已经包含的知识迁移到测试实例分类的任务中。简单来讲，零样本学习技术学习中间语义层及其属性，然后在推理时应用它们来预测新数据。
需要注意，零样本学习中训练和测试集是不相交的。
零样本学习还是迁移学习的一个子领域。最常见的迁移学习形式涉及微调预训练模型，即具有相同特征和标签的问题，这被称为"同构迁移学习"。然而，零样本学习属于"异构迁移学习"，特征和标签空间是完全不同的。
零样本学习数据分类
可见类(Seen Classes)：用于训练深度学习模型的数据类，比如已标记的训练数据。
不可见类(Unseen Classes)：现有深度模型需要概括的数据类，比如未被标记的训练数据。
辅助信息：由于没有属于不可见类的标记实例可用，因此需要一些辅助信息来解决零样本学习问题。此类辅助信息应包含所有不可见类的信息。
零样本学习还依赖于已标记的可见类和不可见类训练集。可见类和不可见类都在称为语义空间的高维向量空间中相关，其中来自可见类的知识可以转移到不可见类。
零样本学习的阶段
零样本学习涉及训练和推理的两个阶段：
训练：获取有关标记数据样本集的知识。
推理：扩展先前获得的知识，将提供的辅助信息用于新的类集。
零样本学习方法
基于分类器的方法
现有的基于分类器的方法通常采用一对多的解决方案来训练多类零样本分类器。也就是说，对于每个看不见的类，训练一个二进制的一对一分类器。根据构建分类器的方法，我们进一步将基于分类器的方法分为三类。
①对应方法
对应方法旨在通过每个类的二元一对一分类器与其对应的类原型之间的对应关系来构造不可见类的分类器。每个类在语义空间中只有一个对应的原型。因此，这个原型可以看作是这个类的“表示”。同时，在特征空间中，对于每一类，都有一个对应的二元一对一分类器，也可以看作是该类的“表征”。对应方法旨在学习这两种“表示”之间的对应函数。
②关系方法
方法旨在基于不可见类的类间和类内关系来构造分类器或不可见类。在特征空间中，可以利用可用数据学习所看到的类的二进制一对一分类器。同时，可以通过计算相应原型之间的关系来获得可见类和不可见类之间的关系。
③组合方法
组合方法描述了通过组合用于构成类的基本元素的分类器来为不可见类构造分类器的思想。
在组合方法中，认为存在一个构成类的“基本元素”列表。可见类和不可见类中的每个数据点都是这些基本元素的组合。体现在语义空间中，认为每个维度代表一个基本元素，每个类原型表示对应类的这些基本元素的组合。
类原型的每个维度取1或0，表示类是否具有相应的元素。因此，这一类方法主要适用于语义空间。
基于实例的方法
基于实例的方法旨在首先获得不可见类的标记实例，然后使用这些实例来训练零样本分类器。根据这些实例的来源，现有的基于实例的方法可以分为三个子类：
①投影方法
投影方法的思想是通过将特征空间实例和语义空间原型投影到共享空间中来获得不可见类的标记实例。
在属于可见类的特征空间中有标记的训练实例。同时，在语义空间中存在可见类和不可见类的原型。特征和语义空间是实数空间，实例和原型是其中的向量。从这个角度来看，原型也可以被视为带标签的实例。因此，我们在特征空间和语义空间中标记了实例。
②实例借用方法
这些方法通过从训练实例中借用来处理为不可见类获取标记实例。实例借用方法基于类之间的相似性。有了这些相似类的知识，就可以识别属于未见类的实例。
③合成方法
合成方法是通过使用不同的策略合成伪实例来获得不可见类的标记实例。为了合成伪实例，假定每个类的实例遵循某种分布。首先，需要估计不可见类的分布参数。然后，合成不可见类的实例。
零样本学习的局限
与其他概念一样，零样本学习也有其局限性。以下是在实践中应用零样本学习面临的一些最常见的挑战。
1.偏差
在训练阶段，模型只能访问可见类的数据和标签。这会使模型将测试期间不可见类的数据样本预测为可见类。如果在测试期间，模型对来自可见和不可见类的样本进行评估，则偏差问题会变得更加突出。
2.领域转移
零样本学习模型的开发主要是为了在这些数据逐渐可用时将预训练模型扩展到新类。因此，领域转移问题在零样本学习中很常见。当训练集和测试集中数据的统计分布明显不同时，会发生领域转移。
3.中心问题
中心问题与最近邻搜索相关的维数灾难有关。在零样本学习中，中心问题的发生有两个原因。
输入和语义特征都存在于高维空间中。当这样一个高维向量被投影到一个低维空间时，方差会减少，导致映射点被聚类为一个中心。
在零样本学习中广泛使用的岭回归会引发中心问题。它会导致预测出现偏差，即无论如何查询，大部分都只预测了几个类。
4.信息损失
在对可见类进行训练时，模型仅学习用于区分这些可见类的重要属性。而一些潜在信息可能存在于可见类中，如果它们对决策过程没有重大贡献，则不会被学习到。但是，此信息在不可见类的测试阶段很重要。这就会导致信息损失。
