训练空间-频率视觉提示和概率聚类以实现准确的黑箱迁移学习
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对黑箱预训练模型在实际场景中应用面临的数据分布差距问题，提出了一种新的参数高效迁移学习框架。通过生成空间和频率域的视觉提示并结合概率聚类技术，显著提高了分类准确性与计算效率。实验结果表明，该方法在少样本迁移学习设置中超越了现有的最佳水平，具有重要的应用前景。
该研究提出了一种面向任务的知识迁移方法，利用大型视觉基础模型在庞大数据集上预训练，并在有限标记的目标数据下展现出优异性能。实验结果表明，该方法在有限标记数据的情况下，在四个目标任务上的性能优于其他方法。研究还指出了数据集对最终目标任务性能的影响，并提出了基于图像检索的方法来筛选有效的迁移集。
