无插值复习的连续学习一致提示
内容提要
本文介绍了提升大规模模型在少样本学习中泛化能力的方法，包括CoPrompt、H-Prompts和Fed-CPrompt等。这些方法通过一致性约束、贝叶斯对齐和提示学习等技术，有效解决了灾难性遗忘问题，实验结果在多个基准测试中表现优异。
延伸解读
方法演进：从独立提示到分层与联邦
文章梳理了连续学习提示方法的发展脉络：早期如L2P、DualPrompt聚焦任务不变与特定提示的分离；随后Progressive Prompts、CPP等通过前向传递或对比原型优化减少遗忘；近期H-Prompts引入分层提示与贝叶斯对齐，Fed-CPrompt则针对联邦场景的异步与异构问题。这些工作共同表明，提示学习正从单一任务适配走向结构化、分布式的知识管理。
性能提升的量化参照
文中给出了部分方法的基准测试结果：H-Prompts在Split CIFAR-100上达到87.8%平均准确率，在Split ImageNet-R上为70.6%；Progressive Prompts相比T5最佳方法平均测试准确率提升20%以上。这些数据为读者评估不同方法的实际收益提供了具体参照，也说明提示方法在缓解灾难性遗忘方面已取得可观的量化进展。
无需排练缓冲区的实用价值
DualPrompt、CPP、Fed-CPrompt等方法均强调无需排练缓冲区（rehearsal buffer），即不存储旧任务样本。这降低了对存储和隐私的约束，尤其适合联邦学习或数据不可回溯的场景。但文章也指出，联邦场景下异步任务到达和异构数据分布仍是挑战，Fed-CPrompt通过异步提示学习和对抗持续损失来应对，其实用性需结合具体部署条件评估。
Q&A
CoPrompt 方法是如何提高模型泛化能力的？
CoPrompt 通过一致性约束和结合提示与适配器的优势来调整额外参数，从而提高模型在少样本学习中的泛化能力。
H-Prompts 的主要特点是什么？
H-Prompts 是一种新的延续学习范式，利用贝叶斯对齐和自监督方式，减少过去任务知识的遗忘。
Fed-CPrompt 方法解决了什么问题？
Fed-CPrompt 方法针对联邦持续学习中的严重遗忘问题，利用提示学习技术实现了高效的性能。
Progressive Prompts 方法的优势是什么？
Progressive Prompts 方法有效抵御灾难性遗忘，且在语言模型领域中显著提高了准确性。
对比原型提示 (CPP) 方法如何改善性能？
CPP 方法通过任务特定提示调整，有效解决了随时间推移导致的性能恶化问题，表现出色。
INCPrompt 的创新之处在哪里？
INCPrompt 的创新在于使用自适应关键学习者和任务感知提示，有效捕捉任务相关信息，缓解灾难性遗忘。
