​ Zero-shot learning 指的是我们之前没有这个类别的训练样本。但是我们可以学习到一个映射X->Y。如果这个映射足够好的话，我们就可以处理没有看到的类了。 比如，我们在训练时没有看见过狮子的图像，但是我们可以用这个映射得到狮子的特征。一个好的狮子特征，可能就和猫，老虎等等比较接近，和汽车，飞机比较远离。

​ One-shot learning 指的是我们在训练样本很少，甚至只有一个的情况下，依旧能做预测。

​ 这是如何做到呢？可以在一个大数据集上学到general knowledge（具体的说，也可以是X->Y的映射），然后再到小数据上有技巧的update。

​ 相关的名词还有 transfer learning , domain adaption。

​ 其实Zero/One-shot learning都属于transfer learning，要点在于先学到好的X->Y的关系，希望能应用到其他问题上。

​ 这两个词第一次出现的paper：

​ Zero-shot Learning：http://www.cs.cmu.edu/afs/cs/project/theo-73/www/papers/zero-shot-learning.pdf

​ One-shot Learning：http://vision.stanford.edu/documents/Fei-FeiFergusPerona2006.pdf