제로샷 학습(Zero-shot learning)은 컴퓨터가 레이블이 지정된 정보에 의존하지 않고 객체를 인식하고 분류할 수 있도록 하는 기계 학습 기술입니다. 이 용어는 미묘한 차이가 있지만 또 다른 기계 학습 기술인 원샷 학습(one-shot learning)과 같은 의미로 사용되는 경우가 많습니다. 원샷 학습과 달리 제로샷 학습은 컴퓨터 모델을 훈련하기 위해 레이블이 지정된 데이터를 사용하지 않습니다. 대신, 범주 간의 관계 등 학습할 개체나 개념에 대한 추가 정보를 사용하여 컴퓨터가 레이블 없이 원하는 개념을 학습할 수 있도록 합니다.
제로샷 학습은 2010년대 중반에 등장한 비교적 새로운 기계 학습 분야입니다. 최근 몇 년 동안 많은 연구자들은 이 기술을 사용하여 이미지와 텍스트의 개체를 인식하는 데 있어 인상적인 성능을 달성할 수 있음을 보여주었습니다. 예를 들어 Google의 인공 지능 플랫폼인 TensorFlow에는 레이블이 지정된 데이터를 사용하지 않고 이미지의 객체를 식별하도록 설계된 제로샷 학습 모듈이 포함되어 있습니다.
제로샷 학습 접근 방식을 채택하면 몇 가지 잠재적인 이점을 얻을 수 있습니다. 라벨링된 데이터가 필요하지 않기 때문에 대량의 라벨링이 필요하거나 라벨링이 실행 불가능한 작업에 사용할 수 있습니다. 또한 모델은 카테고리 간의 관계를 사용하여 훈련되므로 모델이 더 잘 일반화되고 다양한 개념 간의 링크를 식별할 수 있습니다.
잠재적인 장점에도 불구하고 제로샷 학습에는 단점이 없는 것은 아닙니다. 첫째, 접근 방식을 사용하려면 컴퓨터가 학습 중인 개념에 대한 어느 정도의 지식을 계층적 표현의 형태로 보유해야 하므로 광범위한 상황에서 기술을 적용하기가 어렵습니다. 둘째, 제로샷 학습 알고리즘이 실제 데이터와 어떻게 상호 작용할지는 아직 알려지지 않았으며 그 결과도 아직 잘 정립되지 않았습니다. 이러한 단점에도 불구하고 제로샷 학습은 점점 더 전통적인 지도형 기계 학습 접근 방식에 대한 실행 가능한 대안이 될 것으로 예상됩니다.
