Developing Continual Adaptive Learning Techniques for Large Language Models in Neural Information Retrieval PhD

该博士项目致力于解决神经信息检索（NIR）系统中的灾难性遗忘问题——即模型在接收新数据进行更新时会丢失先前学到的知识。尽管像 BERTdot 和 ColBERT 这样的现代 NIR 模型在静态环境下表现良好，但在需要持续学习的动态环境中却面临挑战。每次完全重新训练这些模型对于实际应用而言过于缓慢且效率低下。 本研究旨在为 NIR 系统构建一种专门的持续学习框架，使其能够在不遗忘旧知识的前提下适应新信息。研究将探索先进的策略，以管理记忆、应对主题和数据量的变化，并提升模型在不同领域间的适应能力。该项目还力求改进评估方法，并在真实世界案例研究中测试所提出的解决方案。总体目标是创建更灵活、可扩展且高效的 NIR 系统，能够随着信息需求的变化而不断演进。