Zero-Shot Learning (Sıfır-Atımlı Öğrenme)

Sifir atis ogrenmesi (zero-shot learning), bir modelin egitim sirasinda hic gormedigi sinif veya goreve, herhangibir ornek verilmeksizin genelleme yapabilme yetenegidir. Bu yaklasim; sinif tanim bilgisi (semantic attributes), kelime gomemleri (word embeddings) veya dogal dil aciklamalari araciligiyla goren siniflar ile gormeyen siniflar arasinda anlam koprusu kurar. Klasik sifir atis ogreniminde model, egitim sirasinda goruldugu siniflar icin gorsel-semantik eslesmeyi ogrenir. Test asamasinda ise hic gorulmemis siniflar icin semantik tanim verilir ve model bu tanim uzerinden tahmin yapar. Ornegin 'zebra'yi egitimde hic gormemis bir model, 'duzensiz beyaz-siyah cizgili, at benzeri hayvan' aciklamasindan dogru siniflandirma yapabilir. Buyuk dil modellerinin yukselisiyle sifir atis ogrenmesi cok daha genis bir anlam kazanmistir. GPT-4 veya Claude gibi modeller, hic ornek verilmeksizin yeni gorevleri dogal dil talimatlarindan anlayabilir. Sentiment analizi, soru cevaplama veya ozetleme gibi gorevlerde sifir atis transfer yetenegi, ozellestirilmis egitim ihtiyacini ortadan kaldirabilmektedir. CLIP (Contrastive Language-Image Pre-training), sifir atis goruntu siniflandirmasi icin oncu bir modeldir. CLIP, goruntu ve metin capraz egitimle ortak bir gomme uzayi olusturur; test asamasinda yeni sinif adlari yazili metin olarak verilir ve goruntu bu metin gomemleriyle eslestirilir. Hic etiketli veri olmadan ImageNet siniflandirmasinda etkileyici dogruluk elde edilmistir. Generlized zero-shot learning ise hem gorulmus hem de gorulmemis siniflara tahmin yapmay kapsadıgından gercek dunya uygulamalarinda daha pratiktir. Ancak model cogu zaman gorulmus siniflara yon egilimli tahmin yapar; bu sorun test sinifi dengesiyle giderilmeye calisilmaktadir.