分布一致性提示学习模型

下游任务适应强

多组提示与MMD一致性约束相结合，使视觉语言模型在下游任务上的泛化能力显著增强。

Wu, Zhichao · 孙波 · 何珺

Neurocomputing 2025

参数信息

数据集数量

11

技术优势

多组提示

采用部分耦合投影方案生成多组提示，同时保留模态特有特征，从而捕获更丰富的特征表示。

对齐特征

通过最大均值差异约束，将多组提示提取的特征分布与原始预训练模型对齐，增强下游任务泛化能力。

更鲁棒

在11个公开视觉语言数据集上，有效性和鲁棒性均优于现有提示学习方法。

应用场景

• 视觉语言模型：为视觉语言模型提供更强的下游任务适应能力，无需大规模微调。
• 提示学习：通过多组提示和一致性约束，提升提示学习的有效性和鲁棒性。
• 多模态适应：对齐多模态特征分布，增强模型在多模态下游任务上的泛化能力。