NLP学习路线图（四十三）：零样本学习

当数据荒漠中突然出现新任务绿洲，传统模型只能束手无策。想象一个医疗AI系统需要识别新爆发的罕见疾病术语，但训练数据为零；或一个客服机器人面对从未见过的方言俚语——这正是零样本学习（Zero-Shot Learning, ZSL）闪耀的战场。

零样本学习：定义与核心挑战

ZSL的核心目标，是让模型在从未接触过特定任务或类别标签的训练样本的情况下，完成对该任务或类别的推理与预测。这要求模型具备从已有知识向未知领域泛化的能力，而非简单记忆模式。

• 核心区别：

  • 少样本学习： 提供少量（如几个到几十个）目标类别的标注样本。

  • 零样本学习： 完全不提供目标类别的标注样本。

• 核心挑战： 如何弥合可见类别/任务与不可见类别/任务之间的“语义鸿