A Six-Dimensional Taxonomy of Post-Training Adaptation Techniques with Applications in AI Governance
训练后适应技术的六维分类法及其AI治理应用
🧭 训练后适应技术分类与治理
Karolinska Institutet · Karolinska University Hospital · University of Borås · KTH Royal Institute of Technology
提出统一六维分类法，区分微调、RAG等训练后适应技术，支持模型变更治理
📌 工作参考价值
- 模型迭代治理：可借鉴其六维分类（机制、目标、数据需求、持久性、结构范围、模型类型）建立模型变更日志，便于在推荐系统频繁微调、RAG更新等场景下合规审计。
- 适应技术选择：通过持久性维度区分一次性微调与持续推理时适应（如RAG、动态提示），指导电商搜索/推荐系统在候选生成、重排序阶段的工程架构选型。
- 技术栈梳理：论文梳理的继承、取代、混合等关系可帮助团队理清模型更新技术栈，避免重复或冲突。
动机：训练后适应技术（微调、RAG、模型编辑、遗忘等）碎片化严重，缺乏统一描述框架，难以比较方法或追踪模型变更。 方法：提出一个六维分类法，维度包括机制（如参数更新、检索增强、提示）、目标（性能提升、对齐、遗忘）、数据需求、持久性（一次性 vs. 持续）、结构范围（层/模块级）和模型类型（传统ML到多模态LLM）。分类法清晰区分了微调、RAG、提示等易混淆概念，并绘制了技术间的继承、替代、混合和分层堆叠关系。 结果：提供了一套统一词汇，可直接用于技术文档、模型变更追踪和AI治理分析。论文指出当前评估、可复现性、持续推理时适应、遗忘、多模态适应等开放挑战。