Lernen ohne aufgabenspezifische Beispiele (Zero-Shot Learning)
Definition
Zero-Shot Learning erkennt bislang ungesehene Klassen mithilfe zusätzlicher Beschreibungen oder Eigenschaften.
Ein Lernsetting, in dem ein Modell Instanzen bislang ungesehener Klassen mithilfe von Nebeninformationen wie Attributen oder semantischen Beschreibungen erkennt.
Einfach erklärt
Das Modell kennt eine neue Kategorie noch nicht aus Beispielen. Eine Beschreibung ihrer Merkmale hilft ihm trotzdem beim Erkennen.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Ersatzteilmodell erkennt eine neue Klasse anhand definierter Eigenschaften und wird anschließend real validiert.
Grenzen und Fallstricke
- Ungesehene Klassen benötigen eine semantische Brücke; Generalized ZSL und reine Zero-Shot-Klassifikation sind anders zu evaluieren.
Entstehung & Geschichte
Lampert und Mitautoren zeigten 2009 attributbasiertes Zero-Shot Learning für Objektklassen.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Ersatzteilmodell erkennt eine neue Klasse anhand definierter Eigenschaften und wird anschließend real validiert.
Häufige Fragen
Was bedeutet Lernen ohne aufgabenspezifische Beispiele (Zero-Shot Learning)?
Ein Lernsetting, in dem ein Modell Instanzen bislang ungesehener Klassen mithilfe von Nebeninformationen wie Attributen oder semantischen Beschreibungen erkennt. Worauf sollte man achten? Ungesehene Klassen benötigen eine semantische Brücke; Generalized ZSL und reine Zero-Shot-Klassifikation sind anders zu evaluieren.
Quellen
- Learning to Detect Unseen Object Classes by Between-Class Attribute Transfer · Lampert et al., Learning to Detect Unseen Object Classes by Between-Class Attribute Transfer
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: