持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能

持续学习是指在不忘记从前面的任务中获得的知识的情况下，按顺序学习大量任务的模型。这是一个重要的概念，因为在监督学习的前提下，机器学习模型被训练为针对给定数据集或数据分布的最佳函数。而在现实环境中，数据很少是静态的，可能会发生变化。当面对不可见的数据时，典型的ML模型可能会性能下降。这种现象被称为灾难性遗忘。

解决这类问题的常用方法是在包含新旧数据的新的更大数据集上对整个模型进行再训练。但是这种做法往往代价高昂。所以有一个ML研究领域正在研究这个问题，基于该领域的研究，本文将讨论6种方法，使模型可以在保持旧的性能的同时适应新数据，并避免需要在整个数据集(旧+新)上进行重新训练。

Prompt

Prompt 想法源于对GPT 3的提示(短序列的单词)可以帮助驱动模型更好地推理和回答。所以在本文中将Prompt 翻译为提示。提示调优是指使用小型可学习的提示，并将其与实际输入一起作为模型的输入。这允许我们只在新数据上训练提供提示的小模型，而无需再训练模型权重。

具体来说，我选择了使用提示进行基于文本的密集检索的例子，这个例子改编自Wang的文章《Learning to Prompt for continuous Learning》。

该论文的作者使用下图描述了他们的想法：

实际编码的文本输入用作从提示池中识别最小匹配对的key。在将这些标识的提示输入到模型之前，首先将它们添加到未编码的文本嵌入中。这样做的目的是训练这些提示来表示新的任务，同时保持旧的模型不变，这里提示的很小，大概每个提示只有20个令牌。

 

完整文章：

https://avoid.overfit.cn/post/2183a89bd513423982e9bccefe1a2896