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，继续训练可能导致旧服务性能下降的问题，将对话状态跟踪（DST）重构为一组细粒度的示例引导问答任务，以缩小服务间的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与状态估计，而非神经信号建模或 BCI。 核心机制是让模型结合问题、给定示例及当前对话抽取所需信息，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。摘要未提供问答构造细节、检索器训练目标、示例数量、回放策略或具体损失形式。 作者报告，一个具有 60M 参数的模型在利用检索所得上下文示例进行学习后获得显著提升；结合对话级记忆回放后，在 DST 持续学习指标上达到当时最优表现，且不依赖复杂正则化或参数扩展方法。摘要未给出具体数据集、服务引入顺序、数据划分、指标名称、分数和对照基线，因此无法量化提升，也不能判断检索、任务重构与回放的独立贡献。 复现时需核对新旧服务的评估协议、检索与回放样本的可用范围、记忆预算及各模块消融；实验协议、消融及统计信息尚未验证。其机制依赖自然语言问题、对话轮次及状态变化信息，当前材料未建立与 EEG/BCI 数据结构的具体对应关系，不能据此推断跨被试或跨会话效果；已有 EEG 相关工作尚未检索确认。