1. Definición de problemas de aprendizaje de tiro cero
Utilice los datos del conjunto de entrenamiento para entrenar el modelo, de modo que el modelo pueda clasificar los objetos en el conjunto de prueba, pero no hay intersección entre la categoría del conjunto de entrenamiento y la categoría del conjunto de prueba; durante este período, se necesita la descripción de la categoría. para establecer la conexión entre el conjunto de entrenamiento y el conjunto de prueba, haciendo así que el modelo sea efectivo.
ZSL espera que nuestro modelo pueda clasificar categorías que nunca antes había visto, para que la máquina pueda razonar y realizar una inteligencia real. Entre ellos, el disparo cero (Zero-shot) se refiere a no aprender una vez para clasificar el objeto de categoría.
Por ejemplo: supongamos que nuestro modelo ya puede reconocer caballos, tigres y pandas, y ahora necesitamos que el modelo también reconozca cebras, entonces debemos decirle al modelo qué tipo de objetos son cebras, pero no podemos permitir que el modelo vea cebras directamente. Entonces, la información que el modelo necesita saber es la muestra de caballo, la muestra de tigre, la muestra de panda y la etiqueta de la muestra, así como la descripción de los primeros tres animales y la cebra.
2. Aprendizaje en pocas oportunidades
Consiste en darle al modelo una pequeña cantidad de muestras de la categoría que se va a predecir y luego dejar que el modelo prediga esa categoría observando otras muestras de esa categoría. Por ejemplo: muestre una imagen de un panda a un niño, y después de que el niño vea la imagen de un panda en el zoológico, podrá reconocer que es un panda.