何恺明团队前段时间的新作大家关注了没？全新的异构预训练Transformer（HPT）模型！不用从头训练，即可破解通用机器人模型异构性难题，性能暴涨20%+！
这项工作已经被NeurIPS 2024接收为Spotlight，除此之外，还出现了很多
预训练Transformer
的新研究，比如CVPR 2024的零样本令牌剪枝方法Zero-TPrune，也无需训练就能实现低成本高性能。
可见
当下对预训练Transformer的研究热情依旧不减
，它强大的语言理解、丰富的表示、高效的迁移与计算等能力，也在诸多任务中得到了广泛的应用。
目前这个先进的技术还在不断发展中，
留给论文er的创新空间也比较大
，为了帮助大家快速找到思路，我这边整理好了
10篇
预训练Transformer参考论文
，基本都是最新且有代码，有需要的同学可无偿获取~
扫码添加小享，
回复“
预训练T
”
免费获取
全部论文+开源代码
Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers
方法：
作者通过异构预训练在不同机器人体现和任务上学习策略表示，提出异构预训练变换器（HPT），其通过对策略神经网络的共享部分进行预训练，学习任务和体现无关的共享表示，在多个模拟基准和现实环境中，与基线相比，HPT在未见任务的微调策略性能上提高了20%以上。
创新点：
-
提出了一种名为HPT的新方法，通过在不同机器人硬件和任务的大规模数据上进行异构预训练，学习到一个通用的策略表示。
-
HPT将策略网络架构模块化，包括特定于硬件的“stem”（用于处理不同硬件的感官输入），共享的“trunk”（Transformer结构，用于处理感官表示并学习输入输出关系），以及特定于任务的“head”（用于将潜在表示映射到动作空间）。
Zero-TPrune: Zero-Shot Token Pruning through Leveraging of the Attention Graph in Pre-Trained Transformers
方法：
论文提出了一种无需训练的零样本token剪枝方法Zero-TPrune，利用加权PageRank算法从注意力图中推导token重要性，并结合相似性剪枝，以提升视觉Transformer模型在ImageNet上的性能，这种方法利用了预训练Transformer模型中的注意力图来执行令牌剪枝，以减少模型在边缘设备上部署时的推理成本。
创新点：
-
提出了Zero-TPrune，这是一种无需训练的零样本令牌剪枝方法，它利用预训练的Transformer模型的注意力图来评估令牌的重要性和相似性，从而实现剪枝。
-
引入了一种新的算法——加权页面排名，用于在迭代过程中基于注意力图分配令牌的重要性得分，有效降低了不重要令牌的干扰。
-
通过重要性分布指导的令牌分割和基于相似性的剪枝，提高了剪枝过程的稳定性和准确性，同时减少了计算开销，使得模型能够在不需要微调的情况下快速切换不同的剪枝配置。
扫码添加小享，
回复“
