Naukowcy przedstawili GAP-Prompt, nową metodę do uczenia ciągłego, która adresuje problem katastrofalnego zapominania poprzez adaptacyjne promptowanie na poziomie indywidualnych instancji. Tradycyjne podejścia prompt-based wykorzystują statyczne strategie na poziomie zadania, co pomija różnorodność wewnątrz tego samego zadania. GAP-Prompt zmienia to podejście, wprowadzając trzy wzajemnie się wspierające moduły: warunkowanie bramek oparte na instancji, które dynamicznie określa optymalne warstwy injektowania promptu dla każdego obrazu, dynamiczną fuzję wiedzy łączącą aktualne i historyczne prompty w zależności od konkretnego wejścia, oraz destylację promptu, która zakotwicza fundamentalną wiedzę we wczesnościach sieciowych w celu zmniejszenia zapominania.
Metoda została oceniona na trzech wskaźnikowych datasetach: CIFAR-100, ImageNet-R i CUB-200. Wyniki są imponujące, szczególnie na CUB-200, gdzie GAP-Prompt osiąga 87,29% dokładności, co zbliża się do teoretycznej górnej granicy wspólnego treningu wynoszącej 88,00%. To znacząco przewyższa istniejące metody, co sugeruje, że adaptacyjne prompty na poziomie instancji są kluczowe dla skutecznego uczenia ciągłego.
Signifikancja pracy polega na wykazaniu, że prompt-based learning może być zaawansowany poprzez uwzględnienie wariancji wewnątrz zadań. Zamiast traktować każde zadanie jako jednorodne, GAP-Prompt dostrzega, że różne obrazy wymagają różnych stylów wspomagania. To podejście ma potencjał do ulepszenia praktycznych systemów sztucznej inteligencji, które muszą uczyć się sekwencyjnie bez utraty wcześniejszej wiedzy.