通过示例引导问答实现持续对话状态跟踪

该研究针对对话系统持续加入新服务时，模型在已学习服务上性能下降的问题，将 Dialogue State Tracking（DST，对话状态跟踪）重构为一组细粒度的示例引导问答任务，以减小服务间任务差异并支持持续学习。基于摘要分析，研究对象是自然语言对话中的用户目标估计，并非 EEG/BCI 信号建模。 核心机制是让模型结合当前问题和给定示例，从对话中提取所需信息，减少对服务特定模式的记忆。检索器被训练为识别具有相似对话状态变化的轮次，为模型提供上下文示例；该方法进一步结合对话级记忆回放。摘要未披露具体问答构造、检索监督、训练损失及回放采样策略，不能据此推断模型结构。 作者报告，一个仅含 60M 参数的模型，通过学习利用检索得到的上下文示例获得显著提升；结合对话级记忆回放后，在 DST 持续学习指标上达到作者所称的最先进性能，且不依赖复杂正则化或参数扩展。摘要未提供数据集、服务序列、数据划分、指标名称、具体分数或基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“统一任务表达、检索相似变化、回放历史样本”的机制可作为 EEG 持续学习的概念参考，但原方法依赖自然语言问题、示例与对话状态变化，不能直接等同于神经信号上的有效方法。假设用于跨会话 EEG 解码，需要将文本检索与问答模块改造为信号表征检索和任务条件化预测，并定义可比较的状态变化或类别语义。低信噪比、被试差异和通道变化可能使检索依据失效，小数据也可能不足以训练可靠检索器。一个可检验的小实验是在固定回放预算、相同会话顺序及标签可用条件下，比较相似状态检索回放与随机回放，分别评估新会话性能和历史会话性能变化；这只是迁移假设，已有 EEG 相关工作尚未检索确认。