面向时序相关问答的持续学习
计算与语言
2024-07-18 v1
摘要
本研究探讨了持续学习用于时序相关问答（CLTSQA）的 emerging research 领域。以前的研究主要关注时序相关问答（TSQA），常常忽视未来事件的不可预测性。在实际应用中，模型必须在时间维度上持续获取知识，而不能依赖静态的完整数据集。本文旨在探讨如何使模型适应不断演变的信息环境，从而解决CLTSQA所固有的挑战。为支持我们的研究，我们首先构建了一个新的数据集，分为五个子集，专为各种持续学习阶段设计。随后，我们提出了一个用于CLTSQA的训练框架，集成了时序记忆回放和时序对比学习。我们的实验结果揭示了两个重要洞察：首先，CLTSQA任务为现有模型带来了独特的挑战；其次，我们提出的框架有效地导航了这些挑战，取得了改进的性能。
引用
@article{arxiv.2407.12470,
title = {Continual Learning for Temporal-Sensitive Question Answering},
author = {Wanqi Yang and Yunqiu Xu and Yanda Li and Kunze Wang and Binbin Huang and Ling Chen},
journal= {arXiv preprint arXiv:2407.12470},
year = {2024}
}
备注
Accepted by IJCNN 2024