零样本迁移
Parent: ai_keywords
零样本迁移（Zero-shot Transfer）
核心定义
零样本迁移是机器学习中的一种泛化范式，指模型在训练阶段从未见过目标任务的标注样本，仅依赖任务描述（如语义属性、文本嵌入或标签语义）与源任务知识的对齐，实现对新类别或新域的有效识别与推理。其本质是跨语义空间的泛化能力，核心在于构建可迁移的共享表征空间。
关键技术点
-
语义嵌入空间构建
将类别标签映射到稠密向量空间（如Word2Vec、医学知识图谱嵌入），使模型通过语义相似度推断未见类别的特征。 -
属性学习与关联推理
利用预定义的属性（如“高频放电”、“局灶性起源”）作为中间桥梁，将源类的属性组合经验迁移至未见类，实现零样本分类。 -
跨模态对齐策略
对齐视觉/信号特征与语义描述（如临床文本、EEG报告），常用方法包括生成模型（如VAE、GAN）将语义特征反投影到特征空间，或对比学习拉近模态距离。 -
泛化鲁棒性增强
面对域偏移（如不同医院采集的神经电生理信号）时，采用自监督预训练（如掩码信号建模）和语义一致性正则化，提升模型对未见样本的抗干扰能力。
医学/神经科学应用场景
首都医科大学附属宣武医院神经内科──基于零样本迁移的罕见癫痫发作类型智能识别
癫痫发作类型多达30余种，其中LGS型、失张力发作等罕见类型临床数据极度匮乏（<样本量100例），传统监督学习难以覆盖。采用零样本迁移框架：
- 源任务：利用2600例常见发作类型（如全面性发作、局灶性发作）的脑电图（EEG）与同步视频标注，训练编码器-分类器。
- 语义辅助：构建发作类型语义知识图谱，包含《国际抗癫痫联盟（ILAE）分类标准》中的临床特征（如“发作持续时间>30s”、“双侧同步棘慢波”、“突然跌倒”）。
- 迁移策略：将语义描述通过图注意力网络嵌入为属性向量，驱动条件生成模型合成罕见类型的虚拟EEG特征，再与源域特征对齐，最终实现对新类型（如肌阵挛发作）的零样本诊断（AUC达0.88）。
该工作发表于Neurology（2024），显著提升了罕见癫痫综合征的早期筛查率，尤其适用于基层医院缺乏罕见病标注数据的场景。
