通过类比推理：跨域先验知识的实证研究——面向类比学习的跨域知识迁移
人工智能
2026-04-08 v1
摘要
尽管已取得显著成功，现有的类比学习(ICL)仍依赖于领域内的专家示范，限制了在专家标注稀缺时应用其潜力。我们认为不同领域可能共享底层推理结构，使源域示范即使在语义不匹配的情况下也能提升目标域推理。为检验此假设，我们开展了一项全面的实证研究，评估不同的检索方法以验证在类比学习设置下实现跨域知识迁移的可行性。我们的结果表明，跨域 ICL 在条件性正向迁移方面取得了积极效果。我们识别出明确的示例吸收阈值：超过该阈值后，正向迁移更可能发生，额外的示范还能带来更大的收益。进一步分析表明，这些收益源于通过检索的跨域示例对推理结构的修复，而非语义线索。总体而言，本研究验证了利用跨域知识迁移提升跨域 ICL 性能的可行性，为社区设计更有效检索方法以实现这一新方向提供了动力。\footnote{我们的实现已公开于 https://github.com/littlelaska/ICL-TF4LR}
引用
@article{arxiv.2604.05396,
title = {Reason Analogically via Cross-domain Prior Knowledge: An Empirical Study of Cross-domain Knowledge Transfer for In-Context Learning},
author = {Le Liu and Zhiming Li and Jianzhi Yan and Zike Yuan and Shiwei Chen and Youcheng Pan and Buzhou Tang and Qingcai Chen and Yang Xiang and Danny Dongning Sun},
journal= {arXiv preprint arXiv:2604.05396},
year = {2026}
}