用于多标签文本分类的相关性引导表示

基于摘要分析。本文研究多标签文本分类，针对将标签仅视为类别变量、未充分利用标签语义的问题，提出注意力驱动的两步框架，在同一空间联合学习词与标签表示，以结合文本信息和标签语义。 核心机制是先通过多层 Transformer 全局学习词与标签的 token 级表示，再利用词—标签相关矩阵构造注意力向量，生成文本表示。该设计旨在捕获高阶标签间相关性与上下文—标签相关性，并使相关词获得更高权重。摘要未给出具体损失形式、标签语义的输入方式、模型层数或训练与推理细节，尚不能判断标签相关性如何被显式建模及其计算成本。 作者报告，在基准多标签数据集上的实验支持方法有效，并称其在低频标签预测和收敛速度方面具有竞争力。摘要未提供数据集名称、划分、对照基线、指标或具体数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是以标签语义引导输入片段的加权，而非直接复用文本模型。若 EEG 任务具有明确且可共现的多标签定义，可假设用 EEG 时窗或通道表示替代词表示，保留标签表示及相关性注意力模块。该假设依赖标签语义与信号特征之间存在可学习对应关系；低信噪比、跨被试与通道差异、小数据及标签共现偏差可能使注意力学习不稳定。一个小规模可证伪实验是在固定跨被试划分下，比较同一 EEG 编码器配合真实标签语义、打乱标签语义及不使用标签语义的多标签分类头，检查语义引导是否带来稳定增益。已有 EEG 相关工作尚未检索确认，原文文本分类结果不构成 BCI 有效性的证据。