Introducing Language Guidance in Prompt-based Continual Learning

本文是LLM系列文章,针对《Introducing Language Guidance in Prompt-based Continual Learning》的翻译。

基于提示的持续学习中引入语言指导

  • 摘要
  • [1 引言](#1 引言)
  • [2 相关工作](#2 相关工作)
  • [3 背景](#3 背景)
  • [4 基于提示的持续学习语言指导](#4 基于提示的持续学习语言指导)
  • [5 实验](#5 实验)
  • [6 结论](#6 结论)

摘要

持续学习旨在学习一系列任务的单一模型,而无需访问以前任务的数据。该领域最大的挑战仍然是灾难性的遗忘:早期任务的可见类的性能损失。一些现有的方法依赖于昂贵的重放缓冲区来存储以前任务的数据块。这虽然很有前景,但当任务数量变大或由于隐私原因无法存储数据时,成本会变得很高。作为替代方案,已经提出了将任务信息存储在可学习提示池中的基于提示的方法。此提示池指示冻结图像编码器如何解决每个任务。虽然在这种设置下,模型在每个任务中都面临一组不相交的类,但我们认为这些类可以被编码到预先训练的语言编码器的相同嵌入空间中。在这项工作中,我们提出了基于提示的持续学习的语言指导(LGCL),作为基于提示的方法的插件。LGCL与模型无关,在提示池的任务级别和视觉编码器的输出特性的类级别引入了语言指导。我们通过大量实验表明,LGCL不断提高基于提示的连续学习方法的性能,从而开创了新的技术水平。LGCL在不需要任何额外的可学习参数的情况下实现了这些性能改进。

1 引言

2 相关工作

3 背景

4 基于提示的持续学习语言指导

5 实验

6 结论

在这项工作中,我们引入了一个新的视角,即在基于提示的持续学习中引入语言指导。我们的方法背后的关键直觉是,即使任务分布在任务之间发生变化,它们的标签空间也可以映射到相同的语言空间。一个能够学会映射到这个空间的模型可以减轻灾难性的遗忘,从而提高性能。我们在两个层面引入语言指导;即任务级别和类级别。在任务级别,我们为提示池引入了语言指导,在提示池中,模型需要为预先训练的视觉转换器的类条件反射选择相关提示。通过改进提示池的密钥查找,我们可以使模型在不同的任务中更加健壮。为此,我们鼓励模型将键映射到其各自的任务级语言表示。其次,我们在视觉转换器的输出特性中引入了类级别的语言指导。在这个阶段,我们激励模型将输出特征映射到类级别的语言表示。在没有任何额外学习参数的情况下,我们的方法提高了基于基线提示的连续学习方法的性能,创造了新的技术水平。

相关推荐
西维9 分钟前
高效使用AI从了解 Prompt / Agent / MCP 开始
前端·人工智能·后端
柠檬味拥抱27 分钟前
基于Ray与Dask的AI Agent大规模数据并行计算优化
人工智能
聚客AI30 分钟前
📚LangChain框架下的检索增强:5步构建高效智能体系统
人工智能·langchain·llm
Fine姐34 分钟前
自然语言处理NLP L4: 高级语言模型——四种泛化平滑方式
人工智能·语言模型·自然语言处理
袁培宇43 分钟前
python学习打卡day40
人工智能·python·学习
m0_678693331 小时前
深度学习笔记34-YOLOv5调用官方权重进行检测
笔记·深度学习·yolo
CodeDevMaster1 小时前
Claude Code入门指南:开发者必备的AI编程工具
人工智能·ai编程·claude
竹子_231 小时前
《零基础入门AI:深度学习之NLP基础学习》
人工智能·python·深度学习·自然语言处理
一念&1 小时前
今日科技风向|从AI芯片定制到阅兵高科技展示——聚焦技术前沿洞察
人工智能·科技
AI 嗯啦1 小时前
SQL详细语法教程(七)核心优化
数据库·人工智能·sql