PulseAugur
中
实时 00:46:30
English(EN) Prompt-Based Continual Compositional Zero-Shot Learning

新框架增强视觉语言模型以实现持续学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为 PromptCCZSL 的新框架，以解决视觉语言模型在不断适应新属性和对象而不会丢失先前学习信息方面的挑战。该方法利用会话感知组合提示和近因加权多教师蒸馏来融合新颖组合的多模态特征。该框架还包含特定的损失函数，如余弦锚点损失、正交投影损失和会话内多样性损失，以保持语义一致性、确保不同的嵌入并促进多样的表示。在 UT-Zappos 和 C-GQA 基准上的实验表明，PromptCCZSL 在组合零样本学习方面显著优于现有基线。 AI

影响 增强了视觉语言模型的适应性和知识保留能力，有可能提高它们在动态环境中的性能。

排序理由 详细介绍视觉语言模型新框架和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架增强视觉语言模型以实现持续学习

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Sauda Maryam, Sara Nadeem, Faisal Qureshi, Mohsen Ali ·

    基于提示的持续组合式零样本学习

    arXiv:2512.09172v3 Announce Type: replace-cross Abstract: We tackle continual adaptation of vision-language models to new attributes, objects, and their compositions in Compositional Zero-Shot Learning (CZSL), while preventing forgetting of prior knowledge. Unlike classical conti…

相关话题