通过跨域先验知识进行类比推理：上下文学习中跨域知识迁移的实证研究

尽管上下文学习（ICL）已取得成功，但其依赖域内专家演示，限制了在标注稀缺场景的应用。本文提出不同领域可能共享底层推理结构，使源域演示能改善目标域推断。通过综合实证研究验证了跨域知识转移的可行性。结果表明存在示例吸收阈值，超过该阈值后正向转移更显著。分析显示增益源于检索到的跨域示例对推理结构的修复，而非语义线索。本研究证实了利用跨域知识提升 ICL 性能的潜力。