AAAI(AAAI Conference on Artificial Intelligence) 由国际先进人工智能协会主办，是人工智能领域的顶级国际学术会议之一。第39届AAAI人工智能年度会议将于2025年2月在美国宾夕法尼亚州费城召开。本文将介绍自动化所在本届大会上的录用成果。

在深度学习和自然语言处理领域，常见的微调方法主要包括以下几种：

Fine-tuning（全参数微调）

在深度学习和自然语言处理领域，常见的微调方法主要包括以下几种：

Fine-tuning（全参数微调）：这是最传统的微调方法，涉及更新预训练模型中的所有参数，以适应特定任务。这种方法通常能够获得最好的性能，但计算成本较高。 Prompt-tuning（提示微调）：这种方法通过设计特定的输入提示（prompts），而不是修改模型的权重，来适应下游任务。它允许模型在计算成本较低的情况下适应各种任务。 Parameter-efficient fine-tuning（参数高效微调）：这组方法旨在通过仅训练模型参数的一个子集或新添加的一组参数，以减少所需的参数和计算资源。这些技术对于资源有限的环境非常重要。 Adapter Training（适配器训练）：适配器是添加到预训练模型中的小型神经网络，用于特定任务的微调。这些适配器只占原始模型大小的一小部分，使得训练更快，内存需求更低。 Progressive Shrinking（渐进收缩）：这种技术涉及在微调期间逐渐减小预训练模型的大小，从而产生比从头开始训练的模型性能更好的小型模型。 Prefix Tuning（前缀微调）：涉及学习特定任务的连续提示，在推理过程中将其添加到输入之前。通过优化这个连续提示，模型可以适应特定任务而不修改底层模型参数。 P-Tuning：涉及训练可学习的称为“提示记号”的参数，这些参数与输入序列连接。这些提示记号是特定于任务的，在微调过程中进行优化，使得模型可以在保持原始模型参数不变的情况下在新任务上表现良好。

原标题：与大语言模型“交手”

大语言模型，是基于深度学习技术构建的，能够处理和生成自然语言文本的复杂系统。这类模型的运行原理是通过在大量文本数据上进行训练，学习语言的模式和结构，从而实现对语言的理解和生成。它们通常包含数亿甚至更多参数，能够捕捉语言的细微差别，并在多种任务中表现出色，如文本分类、机器翻译、问答系统等。

在深度学习以及自然语言处理的领域中，常见的微调方法主要包含以下几种类型：

Fine-tuning（全参数微调）：作为最为传统的微调方式，其操作涉及对预训练模型里的所有参数进行更新，以此来适配特定的任务。该方法通常能够获取最佳性能，不过计算成本相对较高。 Prompt-tuning（提示微调）：此方法是通过精心设计特定的输入提示（prompts），而非更改模型的权重，进而实现对下游任务的适配。它使得模型能够在计算成本较低的情况下，适应各类不同的任务。 Parameter-efficient fine-tuning（参数高效微调）：这一系列方法的核心在于仅对模型参数的一个子集或者新添加的一组参数展开训练，以此减少所需的参数数量以及计算资源。对于资源受限的环境而言，这些技术意义重大。 Adapter Training（适配器训练）：适配器属于添加到预训练模型中的小型神经网络，专门用于特定任务的微调工作。这些适配器仅仅占据原始模型大小的极小一部分，从而使得训练速度更快，同时内存需求也更低。 Progressive Shrinking（渐进收缩）：该技术是在微调期间，逐步缩小预训练模型的规模，进而生成相较于从头开始训练的模型性能更为出色的小型模型。 Prefix Tuning（前缀微调）：主要涉及对特定任务的连续提示进行学习，并且在推理过程中将其添加至输入之前。通过对这个连续提示加以优化，模型便能够在不修改底层模型参数的前提下，适应特定任务。 P-Tuning：主要是对可学习的、被称为“提示记号”的参数展开训练，这些参数需要与输入序列相连接。这些提示记号具有任务特异性，在微调过程中进行优化，如此一来，模型便能够在保持原始模型参数不变的情况下，在新任务上有着良好的表现。

在深度学习以及自然语言处理的领域中，常见的微调方法主要包含以下几种：

Fine-tuning（全参数微调）：作为最为传统的微调方法，它需要对预训练模型里的所有参数进行更新，以此让模型能够适应特定的任务。这种方法通常能获取到最佳性能，不过其计算成本相对较高。 Prompt-tuning（提示微调）：该方法通过精心设计特定的输入提示（prompts），而非修改模型权重的方式来使模型适配下游任务。如此一来，模型能够在计算成本较低的情况下适应各种各样的任务。 Parameter-efficient fine-tuning（参数高效微调）：这组方法的核心在于仅对模型参数的一个子集或者新添加的一组参数展开训练，目的是减少所需的参数量以及计算资源。对于资源有限的环境而言，这些技术显得尤为重要。 Adapter Training（适配器训练）：适配器属于添加到预训练模型中的小型神经网络，用于针对特定任务展开微调工作。由于这些适配器仅仅占据原始模型大小的一小部分，所以训练速度更快，同时内存需求也更低。 Progressive Shrinking（渐进收缩）：此技术在微调期间会逐渐缩小预训练模型的规模，进而打造出比从头开始训练的模型性能更优的小型模型。 Prefix Tuning（前缀微调）：主要是学习特定任务的连续提示，在推理过程中将其添加至输入之前。通过对该连续提示进行优化，模型能够在不修改底层模型参数的前提下适应特定任务。 P-Tuning：涉及对可学习的“提示记号”参数展开训练，这些参数与输入序列相连接。这些提示记号是具有任务特异性的，在微调过程中对其进行优化，使得模型可以在保持原始模型参数不变的情况下，在新任务上有着良好的表现。