arXiv · cs.AI· Jifeng Wang, Kaouther Messaoud, Yuejiang Liu, Juergen Gall, Alexandre Alahi·· 1 天前
Forecast-PEFT：面向预训练运动预测模型的参数高效微调框架
Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jifeng Wang, Kaouther Messaoud, Yuejiang Liu, Juergen Gall, Alexandre Alahi
研究任务与主要进展
基于论文摘要，作者提出Forecast-PEFT，通过保留大部分预训练模型参数并引入prompts和adapters，减少运动预测下游任务的微调成本。该方法在多个数据集上以传统全量微调约17%的可训练参数取得更高准确率；其全量微调变体Forecast-FT相较传统基线最高提升9.6%，代码地址为https://github.com/csjfwang/Forecast-PEFT。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org