Jan, 2024

无需重复训练的层次提示连续学习

PDF
TL;DR本文介绍了一种无需复盘的延续学习新范式，称为分层提示（H-Prompts），包括三类提示 - 类提示、任务提示和通用提示。通过贝叶斯分布对齐来刻画过去类别的知识，通过跨任务知识挖掘来减少过去任务知识的遗忘，并利用自监督方式推导出高度概括的通用知识。在两个基准测试中，证明了所提出的 H-Prompts 的高效性，分别在 Split CIFAR-100 上达到了 87.8％的平均准确率，以及在 Split ImageNet-R 上达到了 70.6％的准确率。
continual learninghierarchical promptscatastrophic forgettingcross-task knowledge excavationgeneralized knowledge exploration
发现论文，激发创造
  • DualPrompt：无需复习的连续学习的互补提示

    DualPrompt 提出了一种无需 rehearsal buffer 的连续学习框架，通过学习使用预先训练好的模型进行有序任务学习的任务不变和任务特定的指示来达到目的，表现出卓越的性能。

    Apr, 2022

  • 持续学习自动提示学习

    提出了利用动态提示 (L2P) 来训练更简洁的神经网络内存系统的方法，以管理任务不变和任务特定知识，从而在各种挑战性的图像分类基准测试中取得了比之前最先进方法更好的结果。

    Dec, 2021

  • CODA-Prompt: 基于分解注意力的持续提示学习

    提出了一种注意力机制的端到端关键查询方案，该方案使用输入为条件的权重来组装预置组件以生成输入为条件的提示，以解决在不断变化的训练数据中进行学习时出现的过度遗忘问题，并在多个基准测试中大幅提高了准确度。

    Nov, 2022

  • 基于提示的逐步学习的分层分解：重新思考模糊的次优性

    通过在自我监督预训练中应用分层分解 (HiDe-Prompt) 的创新方法，通过一系列特定任务的提示和无指导和有指导表示的统计数据的协调，以及对比正则化策略，我们展示了 HiDe-Prompt 在持续学习中的优越性能和对预训练范式的鲁棒性。

    Oct, 2023

  • INCPrompt：面向任务感知的递增提示的无预演练类递增学习

    本文介绍了 INCPrompt，一种创新的连续学习解决方案，有效地解决了灾难性遗忘问题。INCPrompt 的关键创新在于使用了自适应关键学习者和任务感知提示，捕捉任务相关信息。通过在多个连续学习基准测试中进行全面评估，我们证明了 INCPrompt 相对于现有算法的优越性，显示了其在缓解灾难性遗忘的同时保持高性能的效果。这些结果突显了任务感知增量提示对连续学习性能的重要影响。

    Jan, 2024

  • 无插值复习的连续学习一致提示

    本文提出了一种新的基于提示的方法，Consistent Prompting（CPrompt），用于更加一致的训练和测试，在多个持续学习基准测试中实现了最新的性能表现。

    Mar, 2024

  • 引入语言指导在基于提示的持续学习中

    在连续学习中，我们提出了 Prompt-based Continual Learning（LGCL）作为 Prompt-based 方法的插件，引入了任务级别和类别级别的语言引导，并通过广泛的实验表明，LGCL 能够持续提高 Prompt-based 连续学习方法的性能，实现了新的技术水平。此外，LGCL 还不需要额外的可学习参数。

    Aug, 2023

  • 对话状态跟踪的继续提示调整

    本文提出了一种连续的提示调整参数有效的框架，可避免对旧任务的遗忘并在任务之间实现知识转移，验证实验表明该方法在对话状态跟踪领域中具有有效性和高效性。

    Mar, 2022

  • 渐进式提示：语言模型的持续学习

    利用 Progressive Prompts 方法解决语言模型领域中的连续学习问题，它以前向传递为基础，无需数据重放或大量的任务特定参数，并且其推动学习的方式有助于抵御灾难性遗忘，实验表明相对于 T5 模型的最佳方法，平均测试准确性提高了 20% 以上，即使在较长序列的任务中，我们的方法也明显优于之前的方法。

    Jan, 2023

  • 专家混合遇上基于提示的连续学习

    基于预训练模型的提示式方法在连续学习中与其他解决方案相比，在仅有很少可学习参数且无需内存缓冲区的情况下，展现出了防止灾难性遗忘的强大能力。本研究在理论上分析和解释了提示式学习的有效性，并提出了一种基于非线性残差门机制（NoRGa）的新型门机制，从而在保持参数效率的同时提高了连续学习性能。

    May, 2024