基于核集的高效且有效的上下文演示选择
计算机视觉与模式识别
2025-11-13 v1
摘要
上下文学习（In-context Learning，ICL）已成为大型视觉语言模型（Large Visual Language Models，LVLMs）的强大范式，使其能够直接从输入上下文中利用少量示例。然而，这一方法的有效性高度依赖于演示（demonstration）的选择，而这一过程属于NP难问题。传统策略，包括随机选择、基于相似性的抽样和基于信息得分的抽样，常导致效率低下或性能次优，难以在演示选择中实现效率与效果的平衡。本文提出一种名为核集双检索（Coreset-based Dual Retrieval，CoDR）的新型演示选择框架。我们展示，具有多样性子集中的样本在期望互信息方面具有更高的值。为实现此目标，我们引入一种聚类修剪方法，以构建与查询更一致且保持多样性的核集。此外，我们发展了双检索机制，通过实现全局演示选择同时保持效率来增强选择过程。实验结果表明，我们的方法显著优于现有策略，为有效且高效的演示选择提供了稳健的解决方案。
引用
@article{arxiv.2511.08977,
title = {Efficient and Effective In-context Demonstration Selection with Coreset},
author = {Zihua Wang and Jiarui Wang and Haiyang Xu and Ming Yan and Fei Huang and Xu Yang and Xiu-Shen Wei and Siya Mi and Yu Zhang},
journal= {arXiv preprint arXiv:2511.08977},
year = {2025}
}
备注
This paper is accepted by AAAI26