零样本学习
零样本学习（Zero-Shot Learning）是机器学习领域的一种学习范式，指模型在未见过任何目标类别训练样本的情况下，仍能对其进行识别或推断的能力。其核心机制是利用语义描述、属性向量或知识迁移，将已知类别的知识泛化至未知类别。该方法广泛应用于图像识别、自然语言处理等任务，是解决标注数据稀缺问题的重要技术手段之一。
核心事实
时间轴 (近 90 天)
该网络的核心能力是在零样本条件下完成角色姿态迁移：模型在训练阶段从未见过目标卡通角色，仅凭推理时提供的一张参考图，就能将该角色的外观特征迁移到任意指定骨架上。
零样本学习的实现通常依赖元学习和基于结构先验的泛化两种路径
零样本学习(Zero-shot Learning)是指模型在未经过针对特定任务训练的情况下,仅凭借预训练阶段积累的通用知识完成新任务的能力
CLIP实现了零样本分类,即便训练中从未明确见过的类别也能识别
TimesFM具备零样本预测能力,可直接对未见过的时间序列进行预测而无需微调
单样本学习不等于零样本学习，其一次演示背后依赖模型在海量预训练数据上积累的先验知识
全部知识事实 (7)
单样本学习不等于零样本学习，其一次演示背后依赖模型在海量预训练数据上积累的先验知识
65%已验证零样本模型面对从未见过的新数据集，无需针对性再训练或微调即可直接给出预测
65%待验证该网络的核心能力是在零样本条件下完成角色姿态迁移：模型在训练阶段从未见过目标卡通角色，仅凭推理时提供的一张参考图，就能将该角色的外观特征迁移到任意指定骨架上。
50%待验证零样本学习的实现通常依赖元学习和基于结构先验的泛化两种路径
50%待验证零样本学习(Zero-shot Learning)是指模型在未经过针对特定任务训练的情况下,仅凭借预训练阶段积累的通用知识完成新任务的能力
50%待验证CLIP实现了零样本分类,即便训练中从未明确见过的类别也能识别
50%待验证TimesFM具备零样本预测能力,可直接对未见过的时间序列进行预测而无需微调
50%