ゼロショット学習（ぜろしょっとがくしゅう）
最終更新：2026/4/19
ゼロショット学習とは、事前に学習データを与えられていないタスクを、既存の知識のみを用いて実行する機械学習の手法である。
別名・同義語 Few-Shot Learningメタ学習
ポイント
従来の機械学習とは異なり、特定のタスクに対する学習データを必要としない点が特徴である。汎用的な知識を持つモデルの活用が鍵となる。
ゼロショット学習とは
ゼロショット学習（Zero-Shot Learning, ZSL）は、機械学習の一分野であり、モデルが学習時に見たことのないクラスやタスクに対しても、推論を行う能力を指します。従来の教師あり学習では、モデルは特定のタスクを実行するために、そのタスクに関連する大量のラベル付きデータで学習する必要があります。しかし、ゼロショット学習では、モデルは学習時にタスク固有のデータを見る必要がなく、既存の知識や、クラス間の関係性を利用して推論を行います。
ゼロショット学習の仕組み
ゼロショット学習を実現するためには、いくつかの主要な技術が用いられます。
- 属性ベースの学習: 各クラスを、一連の属性（例えば、「飛ぶ」「泳ぐ」「走る」など）で表現します。モデルは、これらの属性とクラスの関係を学習し、未知のクラスに対しても、その属性に基づいて推論を行います。
- 埋め込み空間の利用: 単語や画像などのデータを、高次元のベクトル空間に埋め込みます。この空間では、意味的に近いデータは近い位置に配置されます。モデルは、この埋め込み空間を利用して、未知のクラスに対しても、既存のクラスとの類似性に基づいて推論を行います。
- 言語モデルの活用: 大規模な言語モデル（例えば、BERTやGPT-3など）は、大量のテキストデータから言語の構造や意味を学習しています。これらのモデルは、ゼロショット学習において、テキストによる指示に基づいてタスクを実行することができます。
ゼロショット学習の応用例
ゼロショット学習は、様々な分野での応用が期待されています。
ゼロショット学習の課題
ゼロショット学習は、まだ発展途上の技術であり、いくつかの課題も存在します。
- 性能の限界: 従来の教師あり学習と比較して、性能が劣る場合があります。
- 属性の定義: 属性ベースの学習では、適切な属性を定義することが難しい場合があります。
- バイアスの問題: 学習データに含まれるバイアスが、ゼロショット学習の結果に影響を与える可能性があります。