FLeW：科学文献的侧面级自适应加权表征学习

基于摘要分析。本文研究科学文献表征学习，提出 FLeW，将引用结构信号、细粒度多向量表征与任务适配相结合，旨在减少单向量表征的信息压缩，并避免依赖预定义任务类别及任务专用模块的额外训练。 核心机制包含三个环节：首先，利用引用意图与引用频次构建三元组采样方法，以增强训练中的引用结构信号；其次，以 background、method、result 三类引用意图对应科学写作的通用结构，划分文献侧面并生成三个侧面级嵌入；最后，通过简单的权重搜索，将这些嵌入自适应整合为面向具体任务的文献嵌入，而不进行任务感知微调。摘要未说明引用意图的获取方式、具体损失函数、权重搜索使用的数据与目标，这些均需全文核对。 作者报告，FLeW 相比既有模型，在多个科学文献任务与领域中表现出适用性和稳健性。摘要未提供任务名称、数据集、划分协议、基线配置或量化指标，因此尚不能判断收益幅度，也不能确认其域泛化评估条件；实验协议、消融及统计信息尚未验证。 该研究的主要对象是科学文献及其引用关系，而非 EEG 或其他神经信号。其机制依赖文献引用结构与引用意图，现有材料未建立这些结构与 BCI 信号学习之间的具体对应关系，因此不据此推断其能够改善 BCI 解码。