指导：基于扩散模型的增量学习指南

原文约400字，阅读约需1分钟。发表于：。

引入了 GUIDE，一种新颖的连续学习方法，通过指导扩散模型在遗忘风险的样本上进行重复训练来解决灾难性遗忘的问题。该方法通过将扩散模型与分类器指导技术相结合，产生具有针对性的训练样本，从而减少了灾难性遗忘和充分利用了生成重放在连续学习中的能力。

本文介绍了一种新颖的连续学习方法，Dirichlet连续学习（DCL），用于解决数据驱动任务导向对话系统中的增量学习问题。DCL利用Dirichlet分布来建模潜在先验变量，能够有效地捕捉先前任务的特征并指导伪样本的生成。同时，引入了Jensen-Shannon知识蒸馏（JSKD）方法，增强了知识传递。实验证实了该方法在意图检测和槽填充任务上的有效性，并超过了最先进的方法。