[위키 링크](Zero-shot learning)

summary

• Zero-shot lerning(ZSL) is a problem setup in machine learning, where at test time, a learner observes samples from classes, which were not obesrved during training, and needs to predict the class that they belong to.
  제로샷 학습(Zero-shot learning, ZSL)은 머신 러닝의 문제 설정이며, 테스트 시 학습자가 훈련 중 관찰되지 않은 수업의 샘플을 관찰하고 자신이 속한 클래스를 예측해야 한다.

• Zero-shot methods generally work by assoicating observed and non-observed classes through some form of auxiliary information, which encodes observalbe distinguishing properties of objects.
  제로샷 방법은 일반적으로 관찰된 클래스와 관찰되지 않은 클래스를 어떤 형태의 보조 정보를 통해 연결하여 작동하며, 이는 객체의 관찰 가능한 구별 속성을 인코딩한다.

• For example, given a set of images of animals to be classified, along with auxiliary textual descriptions of what animals look like, an artificial intelligence model which has been trained to recognize horses, but has never been given a zebra, can still recognize a zebra when it also knows that zebras look like striped horses.
  예를 들어, 동물이 어떻게 생겼는지에 대한 보조 텍스트 설명과 함께 분류되어야 할 동물들의 이미지 세트가 주어졌을 때, 말을 인식하도록 훈련되었지만 얼룩말을 받은 적이 없는 인공지능 모델은 얼룩말이 줄무늬 말처럼 생겼다는 것을 알 때 여전히 얼룩말을 인식할 수 있다.

• This problem is widely studied in computer vision, natural language processing, and machine perception.
  이 문제는 컴퓨터 비전, 자연어 처리, 기계 인식에서 널리 연구되고 있다.

Background and history

• The first paper on zero-shot learning in natural language processing appeared in 2008 at the AAAI'08, but the name given to the learnin gparadigm there was dataless classification.[3]
  자연어 처리에서의 제로샷 학습에 관한 최초의 논문은 2008년 AAAI'08에서 등장했지만, 학습 패러다임에 주어진 이름은 데이터리스 분류였다.[3]

• The first paper on zero-shot learning in computer vision appeared at the same conference, under the name zero-data learning.[4]
  컴퓨터 비전의 제로샷 학습에 대한 첫 번째 논문은 제로 데이터 학습이라는 이름으로 같은 컨퍼런스에 등장했다.[4]

• This direction was popularized latre in another, more well-known, computer vision paper[5] and the term zero-shot learning caught up, as a take-off on one-shot learning that was introdced in computer vision years earlier.[6]
  이 방향은 나중에 더 잘 알려진 또 다른 컴퓨터 비전 논문[5]에서 대중화되었고, 제로샷 학습이라는 용어는 수년 전에 컴퓨터 비전에 도입된 원샷 학습에 대한 도약으로서 따라잡혔다.[6]

• In computer vision, zero-shot learning models learned parameters for seen classes along with their class representations and rely on representational similarity among class labels so that, during inference, instances can be classified into new classes.
  컴퓨터 비전에서 제로샷 학습 모델은 클래스 표현과 함께 본 클래스에 대한 매개변수를 학습하고 클래스 레이블 간의 표현 유사성에 의존하므로 추론하는 동안 인스턴스를 새 클래스로 분류할 수 있습니다.

• In natural language processing, the key technical direction develpoed builds on the ability to "understand the labels" -- represent the labels in the same semantic space as that of the documents to be classified.
  자연어 처리에서 개발된 핵심 기술 방향은 분류될 문서의 의미 공간과 동일한 의미 공간에 레이블을 나타내는 "라벨을 이해하는" 능력에 기초한다.

• This supports the clasification of a single example without observing any annotated data, the purest form of zero-shot classification.
  이것은 주석이 달린 데이터를 관찰하지 않고 단일 예제의 분류를 지원하는데, 이는 제로샷 분류의 가장 순수한 형태이다.

• The original paper[3] made use of the Explicit Semantic Analysis(ESA) representation but later papers made use of other representation, including dense representation.
  원본 논문[3]은 명시적 의미 분석(ESA) 표현을 사용했지만 이후 논문에서는 밀집 표현을 포함하여 다른 표현을 사용했습니다.

• This approach was also extended to multilingual domains, fine entity typing and other problems.
  이 접근 방식은 다국어 도메인,[7][8] 정밀 엔터티 유형[9] 및 기타 문제로 확장되었습니다.

• Moreover, beyond relying soley on representations, the computational approach has been extended to depend on transfer from other tasks, such as textual entailment and question answering.
  더욱이, 표현에만 의존하는 것을 넘어, 계산적 접근은 텍스트 수반[10] 및 질문 답변과 같은 다른 작업으로부터의 이전(transfer)에 의존하도록 확장되었습니다.[11]