Zero-shot Learning

Zero-shot Learning ist eine Technik des maschinellen Lernens, bei der ein Modell Fähigkeiten lernt, Aufgaben zu lösen, für die es während des Trainings keine spezifischen Beispiele gesehen hat. Anstatt auf vorhandene Daten angewiesen zu sein, nutzt das Modell Informationen aus anderen verwandten Aufgaben, um neue Aufgaben zu bewältigen. Durch die Verwendung von Merkmalsbeschreibungen oder semantischen Beziehungen kann Zero-shot Learning das Wissen eines Modells übertragen und es befähigen, Vorhersagen oder Klassifizierungen in unbekannten Bereichen zu machen. Diese Technik ermöglicht es, die Flexibilität und Anpassungsfähigkeit von KI-Modellen zu erhöhen und den Bedarf an umfangreichen Trainingsdaten zu reduzieren. Weitere Methoden sind Fine-Tuning und Few-shot Learning.