面向对话状态跟踪的持续提示调优

基于摘要分析。本文研究对话状态跟踪（Dialog State Tracking）模型在持续学习新领域或任务时的灾难性遗忘问题，提出参数高效的 Continual Prompt Tuning 框架，以任务专属提示参数保留既有能力，并促进任务间知识迁移。研究对象是对话系统，而非神经信号解码；标题中的 state tracking 也不表示本文提出了 state space model。 核心机制是冻结预训练骨干模型，仅为每个任务学习并存储少量 prompt token 的嵌入。为利用先前任务的知识，作者提出 continual prompt initialization、query fusion 和 memory replay；另以 memory-guided 技术利用后续任务知识，实现双向迁移。摘要未披露这些模块的具体计算方式、损失函数、记忆样本选择及训练与推理流程，尚不能判断其复现细节和资源开销。 作者报告，在对话状态跟踪的持续学习实验中，该方法相较于作者所称的先进基线表现出有效性与效率优势。摘要未给出数据集、任务顺序、划分协议、基线名称或具体指标数值；实验协议、消融及统计信息尚未验证，也不能据此量化遗忘抑制或迁移收益。 平台推测（待验证）：可检验的迁移假设是，在具有可供提示调优的预训练 EEG 骨干、明确任务边界及逐任务监督数据的条件下，冻结骨干并保存任务专属提示参数，可能帮助管理跨会话或跨任务更新。可复用的是参数隔离与记忆回放思路；需改造的是 EEG 输入侧提示注入、任务选择以及回放样本组织。低信噪比、被试与通道差异可能使冻结特征失效，小数据也可能导致提示过拟合。一个小规模验证可固定 EEG 骨干和数据划分，按会话顺序比较任务专属提示、共享提示与全量微调，在每次更新后复测旧会话，并记录新会话表现、旧会话性能变化及可训练参数量。该实验仅为平台提出的假设检验，不是论文已验证结果；已有 EEG 相关工作尚未检索确认。