Zero-Shot Learning(제로샷 러닝)은 학습 과정에서 한 번도 본 적 없는 클래스(범주)를 모델이 인식하고 분류할 수 있도록 하는 머신러닝 기법입니다. 직접적인 예시가 없어도, 해당 클래스에 대한 속성 정보나 텍스트 설명 등 의미적 관계를 활용해 기존 지식을 새로운 개념으로 확장합니다. 따라서 많은 라벨링 데이터 없이도 새로운 문제에 빠르게 적응할 수 있어, 데이터 수집이 어렵거나 변화가 빠른 환경에서 유용하게 사용됩니다.

작동 원리:

• 속성 기반 학습(Attribute-Based Learning): “줄무늬가 있는 동물”처럼 알려진 클래스와 새로운 클래스를 연결하는 설명이나 속성을 통해 학습함

• 임베딩 공간 활용(Embedding Spaces): 시각적 특성과 텍스트 기반 의미 정보를 공통 임베딩 공간으로 투영하여 유사도를 판단

• 미지 클래스 추론(Inference on Unseen Classes): 학습 중 본 적 없는 클래스라도, 그 의미 표현을 바탕으로 유추해 분류 수행

중요성

Zero-Shot Learning은 새로운 클래스에 대한 라벨링 데이터 없이도 AI 모델이 유연하게 대응할 수 있도록 도와줍니다. 개발 비용과 시간을 절감하고, 확장성과 일반화 능력을 향상시켜 자연어 이해, 이미지 인식, 추천 시스템 등 다양한 분야에서 활용 가능성을 넓힙니다. 빠르게 변화하는 문제 환경에서 특히 효과적인 접근 방식으로 주목받고 있습니다.