Jan, 2024

INCPrompt：面向任务感知的递增提示的无预演练类递增学习

PDF
TL;DR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。
发现论文，激发创造
  • 无需重复训练的层次提示连续学习

    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。

    Jan, 2024

  • 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

  • Fed-CPrompt：用对比提示实现无重训练联邦永续学习

    本文针对无需重复训练的联邦持续学习 (Rehearsal-free Federated Continual Learning, FCL) 的严重遗忘问题提出了 Fed-CPrompt 方法，该方法利用提示学习技术以通信有效的方式获取任务特定提示，该方法的两个关键组成部分异步提示学习和对抗持续损失分别处理异步任务到达和异构数据分布，并通过广泛的实验证明了 Fed-CPrompt 在实现最先进的无需重复学习 FCL 性能方面的有效性。

    Jul, 2023

  • 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

  • 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

  • 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

  • 基于提示池的逐步增加分类的对话状态跟踪

    我们提出了一种使用提示池方法的持续学习方案，能够在测试中自动识别任务和选择适当的提示，并结合回放缓冲区进一步提高模型性能。

    Nov, 2023

  • 联邦式增量类别学习与提示

    提出了一种名为 FCILPT 的新方法，通过使用提示来减轻旧类别的灾难性遗忘，将与任务相关和任务不相关的知识编码到提示中，解决了非独立分布的数据和新类别的到来所导致的问题。在 CIFAR-100、Mini-ImageNet 和 Tiny-ImageNet 的实验证明 FCILPT 相比现有方法取得了显著的准确性改进。

    Oct, 2023

  • 当基于提示的增量学习无法满足强预训练时

    本研究提出了一种可学习的自适应提示生成器（APG），通过将提示的检索和学习过程统一为可学习的提示生成器，以降低任务之间的差距对模型性能的负面影响，在无（强）预训练条件下，在递增学习中明显优于先进方法。

    Aug, 2023