通过在语义空间和模型空间中相互协作的“幻影”对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

Mar, 2016

本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的generalized zero-shot learning的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于GZSL的重要性。

May, 2016

本文提出一种基于双向映射的语义关系建模方案，实现跨模态的知识转移并解决领域转化问题，通过迭代更新使得分类器不断加强预测能力，实验结果在三个基准数据集上显著优于现有方法。

Mar, 2017

本文提出了一种基于耦合字典学习的零样本学习方法，该方法通过利用种类原型中的区分性信息来对齐视觉-语义结构，进而提高不太具有区分性的语义空间的表现，并通过简单的最近邻方法在不同空间上执行零样本识别。在四个基准数据集上的实验证明了该方法的有效性。

Jul, 2018

本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型，在语义空间和特征空间之间学习了一个鲁棒的投影函数，并将它应用于语义数据的合成和模糊的非监督训练中，取得了最先进的结果。

Oct, 2018

通过引入视觉结构约束来提高零样本学习的泛化性能，从而减轻领域变化问题，实验证明这种新的方法可以带来显著的性能提升并实现最先进的结果。

Jan, 2019

本文提出了一种基于语义表示的全新的Zero-Shot Learning方法，并引入了上下文因素提高了对象的分类效果，通过在Visual Genome上进行的实验表明，增加上下文信息可以显著提高标准的ZSL方法。

Apr, 2019

提出了一种基于领域特定嵌入网络（DSEN）的零样本学习方法，通过将图像数据和语义标签投影到联合嵌入空间中进行识别，该方法分解了领域共享投影函数并使用领域特定子函数探索领域的相似性和差异性，同时引入语义重构和领域划分约束以解决偏倚问题和保持语义关联。实验表明，DSEN在四个公共基准测试中具有显著的改进。

Aug, 2019

本文提出了一种卷积原型学习（CPL）框架，用于零样本识别。通过在任务级别假设分布一致性，CPL能够平稳地转移知识以识别未见样本。在每个任务内部，通过基于距离的训练机制学习区分性视觉原型。因此，我们可以在视觉空间而不是语义空间中进行识别。

Oct, 2019

本研究提出了使用占位符来消除已知和未知类别之间的领域漂移问题，并通过该方法在五个基准数据集上取得了显著的性能提升。

Jul, 2022