Los métodos existentes de aprendizaje sin ejemplos (ZSL) suelen centrarse en mapear desde el espacio de características (por ejemplo, espacio visual) a atributos a nivel de clase, lo que a menudo conduce a una proyección no inyectiva. Dicho mapeo puede causar una pérdida significativa de información a nivel de instancia. Si bien una proyección ideal a atributos a nivel de instancia sería deseable, también puede resultar prohibitivamente costosa y, por lo tanto, impráctica en muchos escenarios. En este trabajo, proponemos un marco de aprendizaje sin ejemplos desentrelazado variacional (VDZSL) que aborda este problema mediante la construcción de atributos específicos de instancia variacionales a partir de una distribución latente semántica específica de clase. Específicamente, nuestro enfoque desentrelaza cada instancia en atributos específicos de clase y las características variantes correspondientes. A diferencia del ZSL transductivo, que asume que las atribuciones de las clases no vistas se conocen de antemano, nuestro método VDZSL no se basa en esta fuerte suposición, lo que lo hace más aplicable en escenarios del mundo real. Experimentos extensos realizados en tres conjuntos de datos de referencia populares de ZSL (es decir, AwA2, CUB y FLO) validan la efectividad de nuestro enfoque. En el entorno convencional de ZSL, nuestro método demuestra una mejora del 1215% en comparación con los enfoques avanzados y logra una precisión de clasificación del 70% en el conjunto de datos AwA2. Además, bajo el entorno más desafiante de ZSL generalizado, nuestro enfoque puede obtener una mejora del 515% en comparación con los métodos avanzados.