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
补三补四1 分钟前
k近邻算法K-Nearest Neighbors(KNN)
人工智能·机器学习
AI绘画月月3 分钟前
AI绘画 | Stable Diffusion 图片背景完美替换
图像处理·人工智能·计算机视觉·ai作画·stable diffusion·midjourney·sd
阿里云大数据AI技术4 分钟前
阿里云 AI 搜索开放平台新发布:增加 QwQ 模型
人工智能·云计算
Toky丶8 分钟前
【文献阅读】Vision-Language Models for Vision Tasks: A Survey
人工智能·语言模型·自然语言处理
小白狮ww13 分钟前
Retinex 算法 + MATLAB 软件,高效率完成图像去雾处理
开发语言·人工智能·算法·matlab·自然语言处理·图像识别·去雾处理
掘金安东尼20 分钟前
用 Python 搭桥,Slack 上跑起来的 MCP 数字员工
人工智能·面试·github
skywalk816324 分钟前
体验智谱清言的AutoGLM进行自动化的操作(Chrome插件)
运维·人工智能·自动化·glm·autoglm
Chaos_Wang_1 小时前
NLP高频面试题(三十)——LLama系列模型介绍,包括LLama LLama2和LLama3
人工智能·自然语言处理·llama
新智元1 小时前
美国 CS 专业卷上天,满分学霸惨遭藤校全拒!父亲大受震撼引爆热议
人工智能·openai