原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
1222025，61（5）ComputerEngineeringandApplications计算机工程与应用
适用于多领域少样本的元适配器整合学习方法
11+223
于信，马廷淮，彭可兴，贾莉，蒋永溢
1.南京信息工程大学软件学院，南京210044
2.南京信息工程大学计算机学院，南京210044
3.南京信息工程大学雷丁学院，南京210044
+通信作者E-mail：thma@
摘要：针对多域少样本文本摘要任务中迁移学习面临的诸多挑战，尤其是源域数据的多样性以及目标域数据的数
据稀缺性问题，提出了一种创新的学习方法，名为元适配器整合学习方法（meta-adapterintegrationlearning，
MAIL）。MAIL使用基于Transformer的预训练模型作为基础模型，融合适配器模块限制模型参数及层数，并采用元
学习方法微调适配器。此外，为了增强在不同领域间的迁移和泛化能力，设计了一种元适配器整合算法，旨在最大
化利用多域信息，增强模型跨领域泛化能力。实验结果显示，MAIL在标准文本生成评价指标上超越现有主流模型，
并能有效应对跨领域迁移中常见的灾难性遗忘、任务干扰和训练不稳定等问题。
关键词：文本摘要生成；少样本学习；迁移学习；预训练模型；适配器；元学习
文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2309-0461
Meta-AdapterIntegrationLearningApproachforMulti-DomainFew-ShotData
11+223
YUXin,MATinghuai,PENGKexing,JIALi,JIANGYongyi
1.SchoolofSoftware,NanjingUniversityofInformationScienceTechnology,Nanjing210044,China
2.SchoolofComputerScience,NanjingUniversityofInformationScienceTechnology,Nanjing210044,China
3.ReadingAcademy,NanjingUniversityofInformationScienceTechnology,Nanjing210044,China
Abstract:Toovercomethelimitationsoftransferlearningcausedbythediversityofsourcedomaindataandthelackof
targetdomaindatainmulti-domainfew-shottextsummarizationtasks,alearningmethodbasedonmeta-adapterintegra-
tionlearning（MAIL）approachisproposed.MAILemploysaTransformer-basedpre-trainedmodelasthefoundational
model,incorporatinganadaptermoduletoconstrainmodelparametersandlayerdepth,andusesmeta-learningtofine-
tunetheadapters.Furthermore,ameta-adapterintegrationlearningalgorithmisdesignedtomaximizetheuseofinforma-
tionacrossmultipledomainsandenhancethemodel’scross-domaingeneralizationcapabilities.E
文档评论（0）