EPT：基于多空间投影与提示融合的高效提示调优

基于摘要分析。本文研究预训练语言模型的提示调优，针对软提示长度带来的准确性与训练效率权衡，以及不同下游任务间适配表现不一致的问题，提出 Efficient Prompt Tuning（EPT），以多空间投影和提示融合改善参数高效适配。 机制上，EPT 将给定软提示分解为一个较短提示和两个低秩矩阵，以减少训练时间；同时利用低秩矩阵与短提示作为额外知识来源，丰富短提示的语义表示。为应对不同任务的需求，方法将软提示投影至多个子空间，并通过门控网络自适应学习不同空间的组合权重。摘要未提供具体分解公式、融合位置、训练目标或可训练参数规模，这些实现细节尚未验证。 作者报告，在 13 个自然语言处理下游任务、与 11 种对照方法比较的实验中，EPT 的相对提升最高为 12.9%，训练时间减少 14%。摘要未明确这些数字对应的任务、指标、具体基线及计时设置，因此不能将其解释为所有任务的平均收益，也不能将相对提升换算为准确率百分点。数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 基础模型支持可学习提示，短提示与低秩多空间融合可能用于降低任务适配开销，但这只是机制迁移假设，不是已验证的 EEG 或 BCI 结果。可复用的是提示压缩与门控融合思路；需改造提示与时序信号表征的接口，并核对预训练方式及任务监督要求。低信噪比、通道差异和小样本条件可能使门控权重不稳定，或使提示压缩损失判别信息。一个可证伪的小实验是在固定 EEG 预训练骨干和同一跨被试划分下，对比普通软提示与 EPT 式适配，同时记录任务指标、可训练参数和训练时间。相关 EEG 工作尚未检索确认。