सीमित डेटा का उपयोग करके प्रसार मॉडल को वैयक्तिकृत करना महत्वपूर्ण चुनौतियों का सामना करता है, जैसे ओवरफिटिंग, पूर्व ज्ञान हानि और खराब टेक्स्ट संरेखण। ओवरफिटिंग शोर पूर्वानुमानों के वितरण में परिवर्तन का कारण बनता है, जो शोर को कम करने की प्रक्रिया में बाधा डालता है और मॉडल को अर्थपूर्ण संगति खो देता है। इस पत्र में, हम अनुकूली व्यक्तिगत शिक्षण (APT) का प्रस्ताव करते हैं, जो एक नया ढाँचा है जो अनुकूली शिक्षण रणनीतियों का उपयोग करके और फ़ाइन-ट्यूनिंग के दौरान मॉडल के आंतरिक प्रतिनिधित्व को विनियमित करके ओवरफिटिंग को कम करता है। APT में तीन मुख्य घटक होते हैं: (1) अनुकूली शिक्षण समन्वय, जो एक ओवरफिटिंग मीट्रिक को पेश करके प्रत्येक समय चरण अंतराल पर ओवरफिटिंग की डिग्री का पता लगाता है और इस मीट्रिक के आधार पर अनुकूली डेटा वृद्धि और अनुकूली हानि भार लागू करता है; (2) प्रतिनिधित्व स्थिरीकरण, जो शोर पूर्वानुमानों में अत्यधिक परिवर्तनों को रोकने के लिए मध्यवर्ती फ़ीचर मैप्स के माध्य और विचरण को नियंत्रित करता है; और (3) ध्यान संरेखण के लिए पूर्व ज्ञान संरक्षण, जो पूर्व ज्ञान और अर्थपूर्ण संगति बनाए रखने के लिए फ़ाइन-ट्यून्ड मॉडल के क्रॉस-अटेंशन मैप्स को प्रीट्रेन्ड मॉडल के साथ संरेखित करता है। व्यापक प्रयोगों से पता चलता है कि एपीटी ओवरफिटिंग को प्रभावी ढंग से कम करने, पूर्व ज्ञान को संरक्षित करने और सीमित संदर्भ डेटा के साथ उच्च गुणवत्ता वाले और विविध चित्र बनाने में मौजूदा तरीकों से बेहतर प्रदर्शन करता है।
