连续风险预测

终身学习（LL）能力是 QA 模型在实际应用中取得优异成绩的关键，而基于架构的 LL 方法已被证明是实现这一目标的有前景的方向。然而，将现有方法应用于 QA 任务远非易事。许多先前的方法要么依赖测试期间可用的任务身份，要么未能充分建模来自未见任务的样本，这限制了其实际应用性。为克服这些限制，我们引入了 Diana，一种新型的动感架构基于终身的 QA 框架，旨在使用增强提示的语言模型学习一系列 QA 任务。Diana 利用四层次结构的提示来捕获 QA 知识于多个粒度水平。任务级提示专为编码任务特定知识而设计，确保强大的终身学习性能。同时，实例级提示用于捕获来自不同输入样本的共享知识，增强模型的泛化能力。此外，Diana 包含专门的提示来显式处理未见任务，并引入一组提示键向量以促进任务之间高效的知识传递和共享。通过大量实验，我们展示 Diana 在终身 QA 模型中实现了最先进的性能，尤其在处理以前未见任务方面取得了显著性的改进。这使得 Diana 在问答系统的终身学习领域取得了重大进展。