适用于多领域少样本的元适配器整合学习方法

来源：计算机工程与应用杂志2025年第5期北京时间：

作者：于信, 马廷淮, 彭可兴, 贾莉, 蒋永溢

单位：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

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-adapter integration learning， 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