本文讨论了两种与传统方法相关的工作：利用传导学习ZSL和将ZSL推广到多标签情况下。

Mar, 2015

本研究提出了自适应结构嵌入和自主选择策略两种方法来解决零样本学习中的视觉语义嵌入和领域适应两个核心挑战问题，同时通过结合两种方法提高分类能力，进一步提出了一种自主感知逐步转换的自适应结构嵌入方法，同时提出快速训练策略能将训练时间缩短至原来的四分之一至三百分之一，而不影响性能。

Mar, 2017

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

本文提出一种新的零样本学习模型（DIPL），其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域，以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能，优于现有技术方案。

Oct, 2018

本文提出了一种新的零样本学习方法——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决hubness问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的ZSL设置下，性能显著提高了1.5-9％或2-14％。

Apr, 2019

本文提出了多种不同的零样本学习的算法，包括基于语义属性生成可视特征分类器的深度神经网络，以及一种能够使用未标记数据进行自校准的学习方法，并在所有ZSL设置的基准数据集上显著优于现有算法的大量实验结果表明。

Sep, 2019

本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准ZSL数据集的实验验证了该方法的优点，超过了最先进的方法。

Oct, 2021

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

本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

Mar, 2023