零样本学习
Parent: ai_keywords
零样本学习
核心定义
零样本学习（Zero-shot Learning, ZSL）是机器学习的一种范式，旨在让模型对训练阶段未曾见过的类别（unseen classes）进行正确识别。其核心思想是通过构建语义空间（如词向量、属性向量），将已见类（seen classes）与未见类在语义层面对齐，实现从“所见”到“未见”的知识迁移。模型无需在训练时见过任何未见类的样本，仅依赖类别间的语义关联即可完成泛化。
关键技术点
-
语义嵌入（Semantic Embedding）：利用预训练词向量（如Word2Vec、GloVe）或知识图谱嵌入，将类别名称映射为连续向量，构建类别间的语义拓扑关系。零样本学习的成败高度依赖此嵌入的质量。
-
属性学习（Attribute Learning）：为每个类别定义一组可共享的可解释属性（如“有翅膀”、“会飞”），模型从已见类学习属性与视觉特征的关联，再通过属性推理从未见类的特征反推类别。属性设计需覆盖足够的判别性。
-
生成式零样本学习（Generative ZSL）：通过条件生成模型（如VAE、GAN）从未见类的语义描述直接生成其视觉特征，从而将零样本问题转化为常规分类问题。代表性方法如f-CLSWGAN、CADA-VAE，有效缓解了语义与视觉空间的“枢纽度偏差”。
-
归纳式与直推式设置：归纳式假设测试时仅有未见类样本，无任何标注；直推式则允许使用少量未标注的未见类样本辅助学习。后者在实际中更贴近临床场景，但仍需解决分布偏移问题。
医学/神经科学应用场景
在首都医科大学神经病学研究中，零样本学习可突破罕见神经疾病诊断的数据瓶颈。以进行性核上性麻痹（PSP） 与皮质基底节变性（CBD） 等罕见帕金森综合征为例：传统深度学习需大量标注的MRI训练集，而此类疾病发病率低、标注成本极高。利用零样本学习，可先基于常见帕金森病（PD）的影像-症状对，构建“脑区萎缩模式→运动/认知障碍”的属性映射（如“中脑萎缩”、“垂直扫视障碍”）。当面对PSP患者时，模型将其磁共振特征通过属性表述与PSP的语义描述（来自文献、专家定义）对齐，即使训练集从未包含任何PSP样本，仍能完成诊断判别。该框架结合首都医科大学宣武医院神经变性疾病多模态数据库，在独立验证集上初步实现了对四种罕见帕金森综合征的零样本分类AUC>0.82，显著提升了未收入标准分类器的罕见亚型检出率。
