知识驱动的增强和检索以实现综合时间适应

时间给模型开发和部署带来了根本性的挑战：模型通常根据历史数据进行训练，同时部署在语义分布和领域知识可能演变的未来数据上。不幸的是，现有的研究要么忽视了时间变化，要么很难捕捉到语义和知识的丰富变化模式。我们开发了知识驱动的综合时间适应增强和检索（KARITA）来捕获不同的时间变化（例如，不确定性和特征变化），构建和整合丰富的知识源（例如，像 MeSH 这样的医学本体），并利用变化的见解来选择检索增强学习。我们在跨多个领域、临床、法律和科学语料库的分类任务上评估 KARITA，证明了跨多个领域在时间适应方面的一致改进。我们的结果表明，知识整合在时间增强和学习中更加关键和有效。