关键词zero-shot transferability
搜索结果 - 7
- 通过反向获取 LLM 输出来提取提示
给定一个语言模型输出，我们考虑语言模型反演的问题：我们寻找生成这些输出的提示信息。我们开发了一种新的黑盒方法 output2prompt，它能够学习在不访问模型的 logits 或使用对抗性或越狱查询的情况下提取提示信息。与以前的工作不同， - CVPRT-VSL: 混合环境下的文本引导视听源定位
我们提出了一种利用 Tri-modal joint embedding 模型通过文本模态作为中间特征引导，在多源混合中分离语义音视源对应关系的 T-VSL 框架，该方法在训练期间通过预测混合中声音实体的类来引导细粒度的音视源对应关系的分离， - UniTime：跨领域时序预测的语言增强统一模型
提出了 UniTime 模型以解决跨领域时间序列学习中的挑战，通过灵活适应不同特征的数据、使用领域指令和语言 - 时间序列转换器来对齐模态，以及利用屏蔽来缓解领域收敛速度不平衡问题，从而大幅提升最先进的预测性能和零样本可迁移性。
- 视觉语言提示学习中的重参数化编码器
PRE 是一种简单而高效的方法，通过使用一种 prompt 编码器来重新参数化输入 prompt 嵌入，从而增强对从少量样本中探索任务特定知识的能力，其在新类上实现了 5.60% 的平均准确率提升和 3% 的调和平均数提升。
- CVPR基于图像的语言预训练
本文提出了一种基于图像和语言语境的预训练 (GLIP) 模型，它可以同时学习目标检测和短语 grounding 任务以提升自身性能，并利用海量的图像文本对进行自我训练，从而获得语义丰富的表示。实验结果表明，GLIP 的表示具有较强的零样本迁 - EMNLP基于多语数据选择的神经机器翻译领域通用无监督适应
本文针对神经机器翻译中的无监督领域自适应问题，提出一种跨语料库数据选择方法，通过对多语言 BERT 进行对比学习，实现源语言和目标语言之间的表示对齐，从而实现零样本领域分类器的可转移性，并且通过联合学习翻译任务和领域区分任务来适应新领域。我 - 交互感知概率预测的情境可迁移语义图推理
本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。