融入了Prompt的新模式大致可以歸納成”pre-train, prompt, and predict“，在該模式中，下游任務(wù)被重新調(diào)整成類似預(yù)訓(xùn)練任務(wù)的形式。例如，通常的預(yù)訓(xùn)練任務(wù)有Masked Language Model， 在文本情感分類任務(wù)中，對于 "I love this movie." 這句輸入，可以在后面加上prompt "The movie is ___" 這樣的形式，然后讓PLM用表示情感的答案填空如 "great"、"fantastic" 等等，最后再將該答案轉(zhuǎn)化成情感分類的標(biāo)簽，這樣以來，通過選取合適的prompt，我們可以控制模型預(yù)測輸出，從而一個完全無監(jiān)督訓(xùn)練的PLM可以被用來解決各種各樣的下游任務(wù)。

因此，合適的prompt對于模型的效果至關(guān)重要。大量研究表明，prompt的微小差別，可能會造成效果的巨大差異。研究者們就如何設(shè)計prompt做出了各種各樣的努力——自然語言背景知識的融合、自動生成prompt的搜索、不再拘泥于語言形式的prompt探索等等。

而對于視覺領(lǐng)域的prompt，最近在視覺語言預(yù)訓(xùn)練方面的進展，如CLIP和ALIGN，prompt為開發(fā)視覺任務(wù)的基礎(chǔ)模型提供了一個有前途的方向。這些基礎(chǔ)模型在數(shù)百萬個有噪聲的圖像-文本對上進行訓(xùn)練后編碼了廣泛的視覺概念，可以在不需要任務(wù)特定的訓(xùn)練數(shù)據(jù)的情況下以零目標(biāo)的方式應(yīng)用于下游任務(wù)。這可以通過適當(dāng)設(shè)計的prompt提示實現(xiàn)。

以CLIP為例，如下圖紅色方框強調(diào)所示，可以完成對“class label”的拓展，使得模型具有較為豐富的視覺信息。然后，可以使用CLIP對圖像進行分類，以度量它們與各種類描述的對齊程度。因此，設(shè)計這樣的提示在以zero-shot方式將基礎(chǔ)模型應(yīng)用到下游任務(wù)中起著至關(guān)重要的作用。

然而，這種手工制作的prompt需要特定于領(lǐng)域的靈感，因此可能較難設(shè)計，所以如何設(shè)計一種模式，可以讓讓模型自適應(yīng)地學(xué)習(xí)到有關(guān)prompt的一些參數(shù)和設(shè)定是非常有必要的。與手工制作的prompt相比，這種方法可以找到更好的prompt，但學(xué)習(xí)到的prompt僅限于與訓(xùn)練數(shù)據(jù)對應(yīng)的分布和任務(wù)，除此之外的泛化可能有限。

此外，這種方法需要帶注釋的訓(xùn)練數(shù)據(jù)，這可能非常昂貴，而且不能很好地應(yīng)用于zero-shot的相關(guān)任務(wù)中。為了解決上述的挑戰(zhàn), 論文提出在測試階段使用test-time prompt tuning(TPT)，只使用給定的測試樣本對prompt進行調(diào)整。由于避免了使用額外的訓(xùn)練數(shù)據(jù)或標(biāo)注，TPT仍然遵守了zero-shot的設(shè)置。

. 方法

論文首先簡單回顧了CLIP和基于CLIP的一些可學(xué)習(xí)參數(shù)的prompts獲取方法。對于為何要優(yōu)化prompt，論文是這樣描述的：CLIP包含了豐富的知識，從前期的訓(xùn)練中獲得了海量的知識和不同的數(shù)據(jù)感知能力。然而，如何更有效地提取這些知識仍然是一個開放的問題。一個簡單的策略是直接對模型進行微調(diào)，無論是端到端的還是針對的一個子集層，對一類的輸入。然而，先前的工作表明，這種微調(diào)策略導(dǎo)致特定于領(lǐng)域的行為失去了非分布泛化和魯棒性的基礎(chǔ)模型。

因此，這項工作的目標(biāo)是利用現(xiàn)有的CLIP知識來促進其泛化到zero-shot的廠家中去。因此，調(diào)整prompt就是實現(xiàn)這一目標(biāo)的理想途徑。此外，我們將測試時提示調(diào)優(yōu)視為為模型提供上下文的一種方法為單個測試樣本量身定制，有助于精確檢索CLIP知識。

論文的目的很簡單，就是在測試階段得不到測試樣本ground-truth標(biāo)注的時候，進行一定的訓(xùn)練，具體表現(xiàn)為

因為標(biāo)簽不能用于測試階段的優(yōu)化，所以我們?nèi)绻朐跍y試階段進行優(yōu)化就必須選擇用于能夠提供一定hint的無監(jiān)督損失函數(shù)來指導(dǎo)優(yōu)化。因此，論文設(shè)計了TPT目標(biāo)來促進采用不同數(shù)據(jù)增強下，模型的一致性。通過對給定測試相同圖像的不同增強類型的特征，來依照他們預(yù)測的差值來進行訓(xùn)練。具體來說，我們使用一個隨機增廣cluster生成測試圖像的N個隨機augumention視圖，最小化平均預(yù)測概率分布的熵:

這里 是根據(jù)物體不同prompt and the -th augmented view of the test image預(yù)測出的概率。

值得一提的是，為了減少隨機增強的噪聲（也就是說增強之后模型很難再預(yù)測出正確的分類信息，如刪去了圖像非常關(guān)鍵的content），本文還引入了一個新的機制：confidence selection，來選擇過濾增強產(chǎn)生的低置信度預(yù)測的view。數(shù)學(xué)表達式體現(xiàn)為：

實驗

首先論文根據(jù)CoOp 和 CoCoOp的混淆矩陣可視化來判斷這兩種可學(xué)習(xí)的prompt參數(shù)化方式在不同數(shù)據(jù)集上的遷移性很差，有增加參數(shù)量過擬合的嫌疑。所以其實在訓(xùn)練階段，增加參數(shù)量來做相應(yīng)的操作不見得合理。因此才更能體現(xiàn)本文這種基于測試階段方法提出方法的優(yōu)越性。

可以發(fā)現(xiàn)，本文提出的這種方法在不同數(shù)據(jù)集之間的遷移性非常之好。

結(jié)論

本文研究了如何充分挖掘預(yù)訓(xùn)練視覺-語言基礎(chǔ)大模型的更好零樣本學(xué)習(xí)能力。論文提出了Test-time Prompt Tuning, TPT)，這種新的prompt調(diào)整方法，可以使用單個測試樣本動態(tài)學(xué)習(xí)自適應(yīng)提示。我們證明了該方法對自然分布變化的魯棒性跨數(shù)據(jù)集泛化，使用CLIP作為基礎(chǔ)模型。不需要任何訓(xùn)練數(shù)據(jù)或標(biāo)注，TPT提高了CLIP的zero-shot的泛化能力。