Buchumschlag

All You Need is One: Capsule Prompt Tuning with a Single Vector

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yiyang, Liang, James C., Fan, Heng, Yang, Wenhao, Cui, Yiming, Han, Xiaotian, Huang, Lifu, Liu, Dongfang, Wang, Qifan, Han, Cheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Facing the Elephant in the Room: Visual Prompt Tuning or Full Finetuning?
von: Han, Cheng, et al.
Veröffentlicht: (2024)

M$^2$PT: Multimodal Prompt Tuning for Zero-shot Instruction Learning
von: Wang, Taowen, et al.
Veröffentlicht: (2024)

Visual Fourier Prompt Tuning
von: Zeng, Runjia, et al.
Veröffentlicht: (2024)

MEPT: Mixture of Expert Prompt Tuning as a Manifold Mapper
von: Zeng, Runjia, et al.
Veröffentlicht: (2025)

Re-Imagining Multimodal Instruction Tuning: A Representation View
von: Liu, Yiyang, et al.
Veröffentlicht: (2025)

Uni-LoRA: One Vector is All You Need
von: Li, Kaiyang, et al.
Veröffentlicht: (2025)

SSGA-Net: Stepwise Spatial Global-local Aggregation Networks for for Autonomous Driving
von: Cui, Yiming, et al.
Veröffentlicht: (2024)

A-SelecT: Automatic Timestep Selection for Diffusion Transformer Representation Learning
von: Liu, Changyu, et al.
Veröffentlicht: (2026)

TokenSeek: Memory Efficient Fine Tuning via Instance-Aware Token Ditching
von: Zeng, Runjia, et al.
Veröffentlicht: (2026)

Markov Renewal Proportional Hazards is All You Need
von: Cui, Elvis Han
Veröffentlicht: (2025)

On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning
von: Liu, Changyu, et al.
Veröffentlicht: (2026)

Self-supervised Adversarial Training of Monocular Depth Estimation against Physical-World Attacks
von: Cheng, Zhiyuan, et al.
Veröffentlicht: (2024)

ProMotion: Prototypes As Motion Learners
von: Lu, Yawen, et al.
Veröffentlicht: (2024)

Error-driven Data-efficient Large Multimodal Model Tuning
von: Yao, Barry Menglong, et al.
Veröffentlicht: (2024)

Oasis: One Image is All You Need for Multimodal Instruction Data Synthesis
von: Zhang, Letian, et al.
Veröffentlicht: (2025)

One Snapshot is All You Need: A Generalized Method for mmWave Signal Generation
von: Huang, Teng, et al.
Veröffentlicht: (2025)

Choice of PEFT Technique in Continual Learning: Prompt Tuning is Not All You Need
von: Wistuba, Martin, et al.
Veröffentlicht: (2024)

Probabilistic Token Alignment for Large Language Model Fusion
von: Zeng, Runjia, et al.
Veröffentlicht: (2025)

VicaSplat: A Single Run is All You Need for 3D Gaussian Splatting and Camera Estimation from Unposed Video Frames
von: Li, Zhiqi, et al.
Veröffentlicht: (2025)

Multimodal Instruction Tuning with Conditional Mixture of LoRA
von: Shen, Ying, et al.
Veröffentlicht: (2024)

AMD: Automatic Multi-step Distillation of Large-scale Vision Models
von: Han, Cheng, et al.
Veröffentlicht: (2024)

ParameterNet: Parameters Are All You Need
von: Han, Kai, et al.
Veröffentlicht: (2023)

You Only Need One Stage: Novel-View Synthesis From A Single Blind Face Image
von: Wang, Taoyue, et al.
Veröffentlicht: (2026)

Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics
von: Wang, Taowen, et al.
Veröffentlicht: (2024)

Top-$nσ$: Not All Logits Are You Need
von: Tang, Chenxia, et al.
Veröffentlicht: (2024)

RoboSeek: You Need to Interact with Your Objects
von: Peng, Yibo, et al.
Veröffentlicht: (2025)

SMPL Normal Map Is All You Need for Single-view Textured Human Reconstruction
von: Shen, Wenhao, et al.
Veröffentlicht: (2025)

COCO is "ALL'' You Need for Visual Instruction Fine-tuning
von: Han, Xiaotian, et al.
Veröffentlicht: (2024)

Efficiently Aligned Cross-Lingual Transfer Learning for Conversational Tasks using Prompt-Tuning
von: Tu, Lifu, et al.
Veröffentlicht: (2023)

Enpowering Your Pansharpening Models with Generalizability: Unified Distribution is All You Need
von: Cui, Yongchuan, et al.
Veröffentlicht: (2025)

RAE: A Neural Network Dimensionality Reduction Method for Nearest Neighbors Preservation in Vector Search
von: Zhang, Han, et al.
Veröffentlicht: (2025)

Indirect Prompt Injections: Are Firewalls All You Need, or Stronger Benchmarks?
von: Bhagwatkar, Rishika, et al.
Veröffentlicht: (2025)

A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors
von: Martinka, Jakub, et al.
Veröffentlicht: (2025)

MSL: Not All Tokens Are What You Need for Tuning LLM as a Recommender
von: Wang, Bohao, et al.
Veröffentlicht: (2025)

COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning
von: Bai, Yuelin, et al.
Veröffentlicht: (2024)

Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need
von: Liu, Yang, et al.
Veröffentlicht: (2025)

Attention is All You Need to Defend Against Indirect Prompt Injection Attacks in LLMs
von: Zhong, Yinan, et al.
Veröffentlicht: (2025)

Is FISHER All You Need in The Multi-AUV Underwater Target Tracking Task?
von: Xie, Guanwen, et al.
Veröffentlicht: (2024)

Ideal Registration? Segmentation is All You Need
von: Chen, Xiang, et al.
Veröffentlicht: (2025)

CAMformer: Associative Memory is All You Need
von: Molom-Ochir, Tergel, et al.
Veröffentlicht: (2025)