본 논문은 다중 작업 프롬프트 튜닝에서 기존의 모든 소스 작업 또는 단일 유사 소스 작업을 결합하여 소프트 프롬프트를 학습하는 방식의 한계를 지적합니다. 최적의 전이 성능은 특정 소스 작업의 조합에서 나오며, 이는 모든 작업이나 단일 작업이 아님을 밝혔습니다. 또한, 소스 작업과 타겟 작업 간의 유사성은 전이 후 미세 조정 과정에서 동적으로 변화하기 때문에 초기 단계에서의 유사성 계산이 부적절함을 지적합니다. 이를 해결하기 위해, 동적 작업 벡터 그룹화(DTVG) 방법을 제안합니다. DTVG는 소프트 프롬프트 대신 작업 벡터를 사용하여 작업 유사성을 측정하고, 타겟 유사성과 지식 일관성이라는 두 가지 지표를 기반으로 최적의 소스 작업 조합을 그룹화하며, 각 반복 단계에서 조합을 동적으로 업데이트합니다. 26개의 NLP 데이터셋에 대한 광범위한 실험을 통해 DTVG가 부정적 전이를 줄이면서 유사한 소스 작업을 효과적으로 그룹화하여 최첨단 성능을 달성함을 보여줍니다.
