通过方差不变概率解码实现无偏多任务表征学习

基于摘要分析。本文研究语言理解中的多任务学习：共享表征虽能提高效率，但任务差异可能导致部分任务主导学习、其他任务被忽视。作者提出 variance-invariant probabilistic decoding for multi-task learning（VIP-MTL），通过协调任务特定表征分布的尺度，缓解这种任务偏置。 核心机制是将共享表征解码为任务特定的概率分布，再施加方差归一化，使这些分布处于一致尺度。与主要平衡任务损失或梯度的方法相比，其干预位置转向潜在表征空间。摘要未给出分布族、归一化公式、训练目标及推理流程，因而尚不能判断其具体约束方式及计算开销。 作者报告，在两个语言基准的相同多任务设置下，VIP-MTL 优于 12 种代表性方法，尤其适用于异构任务组合和数据受限情境；作者还报告其对采样分布具有鲁棒性、优化过程高效、对任务损失尺度不敏感，并能得到信息更丰富的任务特定表征。摘要未提供基准名称、划分、指标、具体增益或统计不确定性，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务学习中的任务主导现象部分来自潜在表征尺度差异，则概率解码与方差归一化可能具有可迁移性。原方法依赖共享表征及任务特定训练目标，但摘要未交代监督形式和数据规模；迁移时需改造 EEG 编码器、任务输出头及概率分布设定。风险是低信噪比、被试与通道差异可能使方差同时承载噪声和有效生理信息，统一尺度未必改善任务平衡，小数据也可能使分布估计不稳定。可检验的小实验是在固定 EEG 多任务数据划分、编码器和训练预算下，对比普通共享学习、损失或梯度平衡与该分布尺度约束，并分别报告各任务指标及相对单任务基线的变化。相关 EEG 工作尚未检索确认。