ゼロショット学習— 読み：ぜろしょっと学習
ゼロショット学習とは、 機械学習モデルが、学習時に見たことのないクラス（種類）のデータを認識・分類する能力 のことです。まるで人間が、少しの説明だけではじめて見るものを理解するのに似ています。
導入Introduction
ゼロショット学習とは、 機械学習モデルが、学習時に見たことのないクラス（種類）のデータを認識・分類する能力 のことです。まるで人間が、少しの説明だけではじめて見るものを理解するのに似ています。
用語の定義Definition
ゼロショット学習とは、 機械学習モデルが、学習時に見たことのないクラス（種類）のデータを認識・分類する能力 のことです。まるで人間が、少しの説明だけではじめて見るものを理解するのに似ています。
たとえば、犬や猫の画像を学習したAIが、一度も見たことのないレッサーパンダの画像を、レッサーパンダの特徴に関する説明文（「猫のような顔で、赤茶色の毛並みを持ち、木の上で生活する」）を基に認識できる、といった具合です。
学習データに存在しない種類でも、説明があれば推論できる点が特徴です。これは、人間が説明を聞いて初めて見るものを理解する流れに近い考え方です。
出典：my-best.ai 用語辞典「ゼロショット学習」（https://my-best.ai/ai-dictionary/zero-shot-learning/）
仕組み・原理How it works
従来の機械学習との違い
従来の機械学習では、学習データに存在しないクラスを認識することは困難でした。しかし、ゼロショット学習では、クラスに関する何らかの情報（属性、説明文など）と、学習済みの知識を組み合わせることで、未知のクラスを推論できるようになります。
| 観点 | 従来の機械学習 | ゼロショット学習 |
|---|---|---|
| 未知クラスへの対応 | 基本的に対応できない | クラスの情報があれば推論できる |
| 必要なデータ | クラスごとの学習データが必要 | クラスを説明する情報があればよい |
| 向く場面 | 対象が固定された定常的なタスク | 新しい対象への素早い対応が求められる場面 |
新しいクラスのデータを大量に収集するのが難しい場合や、迅速な対応が求められる場合に特に有効です。
実現を支える2つの要素
意味空間の活用
1つ目は、クラスに関する情報を表現する「意味空間」の活用です。たとえば、単語の意味をベクトルで表現するWord2Vecや、文章の意味を表現するSentence Transformersなどが用いられます。
これにより、未知のクラスに関する説明文を、学習済みのクラスと共通の空間で表現し、比較することが可能になります。この考え方はエンベディングと深く関係しています。
知識グラフの活用
2つ目は、学習済みの知識を転移する「知識グラフ」の活用です。知識グラフとは、エンティティ（実体）とその関係性をグラフ構造で表現したものです。
たとえば「犬は動物である」「猫は動物である」といった知識を格納しておくことで、AIは「レッサーパンダも動物である」と推論し、犬や猫の知識を応用できます。関連性をたどることで、未知の対象にも既存の知識を結び付けられるわけです。
応用例
ゼロショット学習は、画像認識、自然言語処理、音声認識など、さまざまな分野で応用されています。
画像認識では、動物園のAIカメラに新しい動物が追加された際、その動物の画像データを収集しなくても、説明文を入力するだけで認識できるようになります。自然言語処理では、学習データなしで新しいジャンルの記事を分類したり、新しい言語の文章を翻訳したりすることが可能になります。
メリットと課題
ゼロショット学習のメリットは主に3点です。1点目は、新しいクラスのデータを収集するコストを削減できることです。2点目は、迅速な対応が可能になることです。3点目は、汎用性の高いAIモデルを構築できることです。
一方で課題も存在します。1つ目は、クラスに関する情報の質が重要であることです。不正確な情報やあいまいな情報に基づいて推論を行うと、誤った結果を招く可能性があります。2つ目は、学習済みの知識との関連性が低いクラスを認識するのが難しいことです。3つ目は、推論の精度が従来の機械学習に比べて低い場合があることです。これらの課題の解決に向けて、現在も研究が進められています。
よくある誤解
誤解：ゼロショット学習はデータがまったく不要である
実際は：未知クラスを説明する情報は必要です。データが完全にゼロという意味ではありません。
誤解：ゼロショット学習は従来手法より常に高精度である
実際は：関連性が低いクラスでは精度が落ちることがあり、従来の機械学習に劣る場合もあります。
誤解：一度作れば新しいクラスにも自動で対応できる
実際は：クラスを説明する情報を人が用意する必要があり、情報の質が結果を大きく左右します。
原始出處Origin
本項の定義・解説は、my-best.ai 用語辞典の同項目記事（編集部執筆）を底本に再構成したものです。初出時期や命名者について確立した一次資料が本文中に明記されていない場合は、推測での記載を見送っています。
応用シーンUse cases
ゼロショット学習は、画像認識、自…
ゼロショット学習は、画像認識、自然言語処理、音声認識など、さまざまな分野で応用されています。
画像認識では、動物園のAIカメラ…
画像認識では、動物園のAIカメラに新しい動物が追加された際、その動物の画像データを収集しなくても、説明文を入力するだけで認識できるようになります。自然言語処理では、学習データなしで新しいジャンルの記事を分類したり、新しい言語の文章を翻訳したりすることが可能になります。
メリット・デメリットPros & Cons
メリット
- たとえば、犬や猫の画像を学習したAIが、一度も見たことのないレッサーパンダの画像を、レッサーパンダの特徴に関する説明文（「猫のような顔で、赤茶色の毛並みを持ち、木の上で生活する」）を基に認識できる、といった具合です
- 学習データに存在しない種類でも、説明があれば推論できる点が特徴です
- しかし、ゼロショット学習では、クラスに関する何らかの情報（属性、説明文など）と、学習済みの知識を組み合わせることで、未知のクラスを推論できるようになります
デメリット・注意点
- 観点従来の機械学習ゼロショット学習未知クラスへの対応基本的に対応できないクラスの情報があれば推論できる必要なデータクラスごとの学習データが必要クラスを説明する情報があればよい向く場面対象が固定された定常的なタスク新しい対象への素早い対応が求められる場面新しいクラスのデータを大量に収集するのが難しい場合や、迅速な対応が求められる場合に特に有効です
- 一方で課題も存在します
- 2つ目は、学習済みの知識との関連性が低いクラスを認識するのが難しいことです
よくある誤解Misconceptions
関連用語Related terms
用語同士は相互リンクされています。
プロンプト集Prompt collection
理解を定着させるためのプロンプト例です。コピーして〔 〕内を置き換えてご利用ください。
理解を深める質問
前提知識なしで概念を掴む
あなたは AI 教育の講師です。「ゼロショット学習」を、AI に詳しくない日本の社会人にも分かるように説明してください。専門用語を使った場合は、その直後に噛み砕いた言い換えを添えてください。最後に要点を 3 行でまとめてください。
整理・比較
関連用語との違いを表で整理する
「ゼロショット学習」について、①定義 ②仕組み ③代表的な活用例 ④よくある誤解 を見出し付きで整理してください。同じ分野の類似用語があれば、その違いを表形式で示してください。
実務への検討
自社業務への適用を検討する
「ゼロショット学習」を〔業種・業務〕で活用する場合に期待できる効果と注意点を、それぞれ 3 つずつ提案してください。判断の前提条件や、確認すべき事実があれば明示してください。
FAQ（よくある質問）FAQ
ゼロショット学習とは、一言でいうと何ですか？
ゼロショット学習のポイントはどこですか？
ゼロショット学習を扱うときの注意点は？
出典・参考文献References
定義の記述は my-best.ai 用語辞典（編集部執筆）に基づきます。リンク先の内容は公開時点のものです。
まとめSummary
ゼロショット学習とは、機械学習モデルが、学習時に見たことのないクラス（種類）のデータを認識・分類する能力のことです。
- まず「ゼロショット学習」の定義を自分の言葉で言い換えられるようにする
- 関連用語との違いを「関連用語」セクションから確認する
- プロンプト集の型を使って、理解した内容をアウトプットで確認する