概念Dual Task Vector Merging
双任务向量合并
一种参数高效的知识注入方法，将相关任务（如情感识别、ASR）微调得到的任务向量按逐层可学习系数合并注入冻结的预训练主干，用于低资源目标任务的适配
时间轴 (近 90 天)
10月20日
双任务向量合并是一种参数高效的方法，通过注入情感和ASR任务的知识来适配冻结的wav2vec 2.0主干，用于低资源场景下的阿尔茨海默病检测。
待验证50%
10月20日
在ADReSS和ADReSSo上的说话人独立实验显示，双任务向量合并优于冻结探针、LoRA和全量微调。
待验证50%
10月20日
双任务向量合并与LoRA结合时效果最佳，说明两种参数高效方法具有互补性。
待验证50%
10月20日
在PROCESS数据集上，该方法与LoRA配对后，优势可迁移到HC/MCI/痴呆三分类任务。
待验证50%
10月20日
在仅使用20%、40%、80%训练数据的缩减实验中，性能增益稳定存在，证实了该方法在低资源场景下的可靠性。
待验证50%
10月20日
合并系数逐层学习的设计带来可解释性，不同层对情感和ASR知识的依赖程度可能揭示AD语音特征的层级分布。
待验证50%
全部知识事实 (6)
待验证
双任务向量合并是一种参数高效的方法，通过注入情感和ASR任务的知识来适配冻结的wav2vec 2.0主干，用于低资源场景下的阿尔茨海默病检测。
50%待验证在ADReSS和ADReSSo上的说话人独立实验显示，双任务向量合并优于冻结探针、LoRA和全量微调。
50%待验证双任务向量合并与LoRA结合时效果最佳，说明两种参数高效方法具有互补性。
50%待验证在PROCESS数据集上，该方法与LoRA配对后，优势可迁移到HC/MCI/痴呆三分类任务。
50%待验证在仅使用20%、40%、80%训练数据的缩减实验中，性能增益稳定存在，证实了该方法在低资源场景下的可靠性。
50%待验证合并系数逐层学习的设计带来可解释性，不同层对情感和ASR知识的依赖程度可能揭示AD语音特征的层级分布。
50%