什么样的数据适合零样本学习？

适合零样本学习的数据需要为其类别提供描述性属性或语义表示，尤其是对于训练数据中不存在的新型未见类别。关键是这些新颖类别必须可以用与训练类别相同的语义空间或属性词汇来描述。

核心原理要求建立一个明确定义的语义嵌入空间（如文本描述、属性列表或知识图谱关系），将已见和未见类别连接起来。关键考量包括这些描述的丰富性和区分度、所有类别语义空间的一致性，以及将原始数据（图像、文本等）映射到该空间的可行性。未见类别应与训练类别不同，但通过共享语义可以关联。底层模型必须能够利用语义桥梁，从已见类别的模式泛化到未见类别。

这种方法对于在获取标注示例不实际的情况下，快速部署用于识别新型项目或概念的模型很有价值。实施包括定义稳健的语义系统、在映射到语义的已见类别上训练模型，然后仅基于语义描述推断未见类别。典型应用包括使用文本描述对新零售产品分类，或在生物多样性研究中识别稀有物种。