本研究提出了一种简单的方法来进一步提高零 - shot 分类准确性，即利用精心策划的微调数据集描述任务的标签，进而在多个文本域中获得强大的预测模型。

May, 2023

当给定少量标记数据时，零样本学习方法可以利用外部信息（例如文本描述）来对输入文本数据进行实体和关系分类。然而，最近的研究表明这些方法对提供的实体（或关系）描述非常敏感，即使描述的微小修改也可能导致决策边界的变化。本文正式定义了识别零样本推断中有效描述的问题，并提出一种生成初始描述变体的策略、对它们进行排序的启发式方法以及一种能够通过描述增强来提升零样本模型预测效果的集成方法。实验结果表明，我们提出的方法在四个不同的实体和关系分类数据集上优于现有方法，并在零样本学习设置下实现了新的最先进结果。所提出解决方案的源代码和评估框架已经开源。

Jun, 2024

本文对不同的基于相似性和零样本方法进行了系统评估，对四个文本分类数据集进行了基准测试，包括来自医疗领域的新数据集。此外，提出了新的 SimCSE 和 SBERT 基线，其中使用 SimCSE 或 SBERT 嵌入而不是简单的文本表示进一步增强了基于相似性的分类结果。在无监督文本分类方面，提出了新的基于相似性的 Lbl2TransformerVec 方法，其性能优于先前的最先进方法。我们的实验表明，大多数情况下，基于相似性的方法显着优于零样本方法。

Nov, 2022

利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

Mar, 2016

提出了使用零样本学习的方法在大语料库上训练模型来学习语句和其标签之间的关系，以实现模型对未知语句和标签的预测，并报告在三个不同数据集上的实验结果，该方法是自然语言处理中通向智能化的一步。

Dec, 2017

本研究关注零样本学习的视觉问题，并提出了使用基于文本描述的分类器，该分类器关注从图像描述中提取最相关的信息并将视觉特征与文本进行匹配，通过基于关注机制的简单模型，利用物种之间的相似度和文本的可视摘要来提高零样本视觉对象识别的效果。

Oct, 2020

本文提出一种基于自训练方法的插入式零样本文本分类技术，无需领域专业知识或经验，仅需要类别标签和无标记数据，可显著提高性能，适用于各种文本分类任务。

Oct, 2022

本文研究了使用自然语言实现零样本模型对新任务的自适应性，通过社交评论平台的文本和元数据作为简单的预训练任务，并提供分类任务的自然语言描述作为输入训练语言模型，以生成正确答案的方式进行自然语言的模型推广，克服了多任务分类的缺点，在六个基准文本分类数据集上训练出具有零样本性能的生成性语言模型，结果显示语言可以作为任务自适应的简单而强大的描述符，这为文本问题的新元学习策略指明了方向。

Dec, 2019

本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

May, 2016

利用生成对抗网络 (GANs) 想象从文本描述中无法见到的类别，生成目标类别的视觉特征，附加伪数据，使得零样本学习自然地转换为传统的分类问题，并提出视觉中心正则化以保持生成特征的跨类别区分能力。实验表明，该方法在基于文本的零样本学习的最大可用基准测试中始终优于现有技术水平。

Dec, 2017