通过示例引导问答实现持续对话状态跟踪

基于摘要分析。本文研究对话系统不断接入新服务时，对话状态跟踪（DST）模型因持续训练而在旧服务上性能下降的问题。作者将 DST 重构为一组细粒度的示例引导问答任务，以缩小服务之间的任务差异，并结合对话级记忆回放支持持续学习。 核心机制是让模型依据问题及上下文示例，从对话中提取用户目标相关信息，而非侧重记忆服务特定模式。示例由检索器提供，其训练目标是识别具有相似对话状态变化的轮次。该研究的主要对象是自然语言对话状态跟踪，并非神经信号建模或 BCI。 作者报告，参数量为 60M 的模型通过学习利用检索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表现，且不依赖复杂正则化或参数扩展方法。摘要未给出数据集、服务序列、数据划分、具体指标数值及对照配置，因此这些结果的适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移线索是以统一任务接口和相似变化检索辅助持续学习，而非直接复用自然语言问答模型。假设 EEG 任务具有可对齐的状态标签及连续会话数据，可考虑改造检索表示与输入接口，并复用示例检索、记忆回放机制；但低信噪比、跨被试或通道差异可能使检索相似性失效，小数据条件下也可能难以训练可靠检索器。一个可证伪的小实验是在固定 EEG 任务的跨会话顺序学习中，保持回放预算一致，对比仅回放与相似状态变化检索加回放，分别评估旧会话保持和新会话学习效果。已有 EEG 相关工作尚未检索确认。