#Meta-learning

面向可泛化基础模型适配的扩散元提示与引导

基于摘要分析。研究针对已学习提示通常局限于特定任务、难以泛化到新类别、新域或任务组合的问题，提出 Diffusion Meta-Prompt（DMP）：利用扩散模型学习既有提示的分布，并以自然语言任务描述为条件生成新提示。 核心机制是将先前学习得到的提示库作为训练材料；摘要称，DMP 的训练与采样无需访问原任务样本或任务损失，但这不等于提示库的构建无需原任务数据。为提高采样稳定性，作者提出测试时引导策略，在扩散采样中以提示库内经训练阶段选择的最佳提示作为潜在空间锚点，无需重新训练 DMP，也不访问测试类别。提示表示、条件编码、扩散训练目标、锚点选择标准及引导实现尚未验证。该测试时引导不宜直接等同于测试时自适应。 作者报告，DMP 在分类、检索与 text-to-image generation 任务上改善泛化，并支持未经显式训练的概念组合与负向提示。相较提示检索方法，作者报告存储与推理成本降低超过 90%，但具体成本口径与运行条件尚未验证。在涵盖 55 个数据集配对的组合分类评估中，相较既有元学习方法，作者报告平均增益最高为 2.0%，Eurosat 与 Flowers 等特定配对的增益最高为 8.5%；在层次分类任务的跨任务泛化评估中，作者报告约 2–9% 的提升。摘要未明确这些增益的指标及其属于相对百分比还是百分点，不能据此换算或跨协议比较。 作者还给出约束 DMP 采样提示预期任务损失的理论保证，并提供代码链接；理论假设、界限形式、实验划分、对照配置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 基础模型具备可学习提示接口，DMP 或可复用提示分布建模与锚点引导模块，以探索跨被试或跨会话适配。该假设依赖足够多且表示兼容的历史提示及有效的任务描述；EEG 的低信噪比、通道差异和小样本可能使提示分布不稳定，而语言描述未必能表达被试差异。可在固定 EEG 基础模型与通道设置下，以训练被试提示构建提示库，在留出被试上比较固定提示、提示检索、DMP 及有无锚点引导的表现，并核对测试标签是否参与选择。已有 EEG 相关工作尚未检索确认。