面向自然语言理解的协同多任务表征

基于摘要分析。该研究针对自然语言理解（NLU）中多任务学习的任务关系建模与任务对齐问题，提出 Collaborative Multi-Task Representation（CMTR）框架，通过实例级任务交互引导任务导向表征融合，并以辅助损失促进对齐。 机制上，CMTR 使用任务交互层捕捉实例级任务关系，指导多种任务导向表征融合为最终表征；引入知识蒸馏辅助损失，帮助适配层生成任务导向表征，并通过正则化损失改善多任务融合的门控函数。作者将 MT-DNN、MMoE 等方法未显式建模任务关系作为研究动机，但这一比较的适用范围仍需结合正文核对。摘要未提供具体损失公式、蒸馏来源及训练流程。 作者报告，CMTR 在 GLUE benchmark 的多数 NLU 任务上优于所比较的先进多任务学习框架，并获得更好的任务对齐与可解释性。摘要未列出具体任务、指标、分数、数据划分或对照配置，因此无法判断增益幅度及统计稳健性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移点是按样本建模任务关系与控制表征融合，而非语言任务本身。若 EEG 多任务数据具有可共享的输入结构和明确的任务监督，这一机制可能用于检验任务间负迁移能否缓解。可复用的是交互、门控与对齐思路；需改造 EEG 编码器、任务适配层及蒸馏目标。低信噪比、跨被试差异、通道不一致和小数据可能使门控学到不稳定关系。可在固定被试划分和相同编码器下，对比共享编码器基线与加入交互、门控及辅助损失的方案，逐项消融并检验各任务表现是否稳定改善。原研究的数据规模与具体监督配置尚未验证，相关 EEG 工作尚未检索确认。