近日，我院多模态机器学习研究团队的最新研究成果“E2MPL: An Enduring and Efficient Meta Prompt Learning Framework for Few-Shot Unsupervised Domain Adaptation”发表在IEEE Transactions on Image Processing (TIP)上。IEEE TIP是人工智能领域国际顶级学术期刊、中国计算机学会（CCF）推荐A类期刊、中科院SCI期刊分区计算机科学大类1区Top期刊，影响因子13.7。
针对持续变化任务场景下的小样本域适应任务，现有的方法面临一个重要挑战：模型在适应新任务时性能表现不稳定性，并且需要大量时间适应。为此，本研究旨在利用元学习理论框架，提出了一种持久高效的基于元提示学习的小样本域适应方法（E2MPL），将元提示学习过程建模为一个双层优化问题，外层优化元提示学习器，内层学习特定任务分类器与领域适配器，并通过设计域共享提示和任务特定提示，以实现高效稳定的跨域任务泛化。实验结果表明，该方法在基准数据集DomainNet上比最先进的方法平均准确率提高9个百分点以上，平均时间减少63.18%以上，且表现出比其他方法更持久和稳定的性能，平均四分位距（IQR）值降低25.35%以上。
文章第一作者为我院杨琬琪老师，第二、三作者分别为我院2022级硕士研究生王浩然、2025级硕士研究生王薇，第五作者为我院宋歌老师，通讯作者为我院杨明老师。
[1] Wanqi Yang, Haoran Wang, Wei Wang, Lei Wang, Ge Song, Ming Yang, Yang Gao, E2MPL: An Enduring and Efficient Meta Prompt Learning Framework for Few-Shot Unsupervised Domain Adaptation, IEEE Transactions on Image Processing (TIP), 2025, 34: 8656 - 8671.
