表示选择与上下文学习之间的关系

基于摘要分析。本文研究大语言模型的上下文学习（In-Context Learning，ICL）中，示例的表示方式与从更多示例中学习的能力如何相互作用。作者提出：表示选择主要决定 ICL 的基线准确率，而增加上下文示例带来的学习收益发生在该基线之上，两者在很大程度上相互正交。 方法上，作者开发了一种优化算法，用于枚举语义相关性不同的标签集合，以此操纵示例的标签表示；随后针对各标签集合改变上下文示例数量，考察准确率及其随示例数量变化的趋势。这里的研究对象是 LLM 的标签表示与 ICL 行为，而非 EEG 表征学习或 BCI 解码。 作者报告，在所考察的标签集合中，无论标签集合质量如何，增加示例都能产生学习收益；但以性能随示例数量增加的改善斜率衡量时，学习效率同时受标签集合质量与底层语言模型参数量影响。作者还报告，不同标签集合之间的准确率相对优劣在学习过程中大体保持，并据此支持表示与学习大体正交的假设。该结论不应理解为两者完全独立，因为摘要同时指出标签质量会影响学习效率。 摘要未提供具体任务、数据集、模型名称与规模、标签集合优化细节、示例数量范围或数值结果；实验协议、消融及统计信息尚未验证。阅读全文时需核对标签集合质量的定义、基线准确率与学习斜率的估计方法，以及结论在不同任务和模型中的适用范围。现有材料未建立该机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此推断 BCI 效果或提出迁移实验；相关 EEG 工作尚未检索确认。