本文提出了一种新的对视觉和语言模型进行计数事实学习（counterfactual prompt learning，CPL）的方法，该方法同时采用反事实生成和对比学习的方法，在一个联合优化框架中从真实和反事实例子中学习更具有普适性的 prompt 表示。实验测试表明，CPL 在不同的视觉和语言任务上都可以获得优秀的 few-shot 性能。

Oct, 2022

本文提出了一种新的生成式提示调整方法，将关系分类重新构造为一种填充问题，旨在解决当前提示方法的局限性，并在推理期间设计实体导向的解码和判别关系评分以有效地生成和对齐关系，并在完全监督的设置和低资源设置下展示了我们方法的有效性。

Oct, 2022

CP-Tuning 是第一个无需手动工程任务特定提示和说明符进行微调的端到端对比提示调整框架，它与任务不变的连续提示编码技术和完全可训练的提示参数相集成。

Apr, 2022

本文提出了一种通过对抗训练启发的两阶段去偏差模型 CCPA，结合对比学习和持续提示增强的数据增强方法来缓解 PLMs 编码中的社会偏见，并通过实验证明其在去偏差性能方面超过了基线模型。

Jul, 2023

本文介绍了基于知识拓展的 Prompt-learning 方法来解决短文本分类中的标签扩展问题，并在三个著名数据集上实验，结果比其他方法均取得了显著提高。

Feb, 2022

探究如何使用对比样本来加强提示学习，在 prompt learning 中引入对比采样模块和对比评分模块，实现差分对比学习，提出 ConsPrompt 模型在五个不同的 few-shot 学习任务中的有效性和鲁棒性，显示基于相似性的采样策略比基于标签的更加有效，结果表明 ConsPrompt 可以成为一种更好的知识探针来促进 PLMs。

Nov, 2022

本文介绍一种利用生成式语言模型在少样本学习中进行数据增强的方法 —— 通过提示为基础的几乎相同句子识别（LM-CPPF）方法，实验证明此方法相对于其他数据增强方法有着更为显著的优势，如易操作数据增强、回译和多重模板等方法，并在多项文本分类基准测试中获得最佳效果。

May, 2023

研究提出了对比原型提示 (CPP) 方法，通过任务特定的提示调整，在对比学习目标优化的基础上，有效地解决了随时间推移和原型干扰所导致的性能恶化问题，并在四项具有挑战性的类增量学习基准测试中表现出色，不需要排练缓冲区，并且在连续学习和线下联合学习之间大大缩小了性能差距，是一种有前途的改进方案。

Mar, 2023

该论文提出了 ContrastNER，一个基于提示的命名实体识别框架，使用离散和连续的标记来学习对话。通过对比学习的方法，ContrastNER 在高资源设置中获得了与现有技术同样的性能，并在低资源环境中胜过现有模型。

May, 2023

本文提出了一种新的基于提示的学习方法 LabelPrompt，用于关系分类任务，通过定义附加令牌来表示关系标签，并构建提示模板方法，以及设计一个实体感知模块和注意查询策略来解决模型中的一些挑战，极大地提高了在缺乏标注数据情况下利用提示学习的适应能力，特别是在少样本场景中的表现超过了其他几种方法。

Feb, 2023