Zero-shot learning

Zero-Shot Learning to koncepcja w uczeniu maszynowym i sztucznej inteligencji, która odnosi się do zdolności modelu do poprawnego wykonania zadania, na którym nie był bezpośrednio trenowany. W tradycyjnych metodach uczenia maszynowego, model jest trenowany na specyficznych danych, a jego wydajność jest testowana na podobnych, ale niewidzianych wcześniej danych. W przeciwieństwie do tego, zero-shot learning pozwala modelowi na rozwiązywanie zadań bez wcześniejszego treningu na danych specyficznych dla tego zadania. Kluczem do zero-shot learning jest zdolność modelu do generalizacji wiedzy nabytej podczas treningu na różnych danych do nowych, nieznanych sytuacji. Na przykład, model wytrenowany na rozpoznawaniu obiektów na zdjęciach, który potrafi rozpoznać zwierzęta, których zdjęć nigdy wcześniej nie widział, wykorzystując wiedzę ogólną o cechach różnych zwierząt. Zero-shot learning jest szczególnie ważny w sytuacjach, gdzie gromadzenie danych treningowych dla każdego możliwego zadania jest niepraktyczne lub niemożliwe. Metoda ta znajduje zastosowanie w rozmaitych dziedzinach AI, w tym w przetwarzaniu języka naturalnego, rozpoznawaniu obrazów i innych.