本文提出SPARC方法，针对视觉语言模型在零样本多标签识别中的性能瓶颈展开研究。通过分析发现，模型在复合提示下存在"OR-like"行为偏差，导致多标签识别准确率下降。SPARC创新性地提出双重解决方案：首先采用分数标准化技术消除图像级和提示级偏差，使mAP提升6-10%；其次设计复合提示生成与自适应融合策略，通过PCA分析选择第二高分数作为可靠指标，有效捕捉"AND

本文采用特征工程（pca分析）、小波去噪以及数据增强，同时采用基于注意力机制的BiLSTM、随机森林、ARIMA模型进行序列数据预测基于BILSTM（双向长短期记忆网络）、随机森林回归和ARIMA（自回归积分滑动平均）模型的序列数据预测是一种综合运用多种机器学习和统计方法的预测策略。这种方法结合了BILSTM在处理长序列数据时的优势、随机森林在处理非线性关系时的能力以及ARIMA在处理时间序列数据