KnowledgeVIS: 通过比较填空提示来解释语言模型

Prompt4Vis 是一种新型框架，利用大型语言模型和上下文学习来增强自然语言生成数据可视化查询的性能，实验结果显示其优于 RGVisNet 约 35.9% 和 71.3%。

利用自动化方法生成的 AutoPrompt 展示了预训练语言模型在自然语言推理、情感分析和关系提取方面的潜力，自动生成的提示方法是现有探究方法的可行替代。

设计了一种框架，使大型语言模型能够主动提问，改进了知识驱动的视觉问答任务性能。

应用 Prompt learning 到简历信息提取的方法，实验证明基于规则设计的模板和 verbalizer 更有效且鲁棒，MKV 显著解决了样本不平衡问题。

提出了 IPVR 交互提示视觉推理框架，包含 see、think 和 confirm 三个阶段，利用视觉感知模型和大规模语言模型进行推理，提供透明的推理过程跟踪和解释。

提出知识提示范式和基于知识提示的 KP-PLM 框架，实验证明 KP-PLM 在多个自然语言理解任务中表现优越。

研究将通用知识库中的知识注入视觉-语言模型，通过辅助训练目标提升语义和关系知识的表征，性能提升不依赖于特定模型，计算开销小。

探讨使用渐进式梯度下降机制为预训练语言模型 Fine-Tuning 提供句子造句模式，显示其在任务中的性能提升。

提出多模态框架，通过语言指导提高图像问题回答的准确性，CLIP 和 BLIP 模型在多个数据集上表现出性能提升。

生成推理问题提示显著提高大型语言模型在零样本视觉问答任务中的性能，保持完整性、语义合理性和句法不变性。