CoDiEmb：面向信息检索与语义文本相似度统一表示学习的协同且差异化框架

基于摘要分析。本文研究文本嵌入在 Information Retrieval（IR，信息检索）与 Semantic Textual Similarity（STS，语义文本相似度）联合训练中的负迁移问题，提出 CoDiEmb，通过统一输入格式、区分任务目标和动态采样，在共享表示学习中兼顾两类任务。 作者将任务冲突归因于数据组织、文本长度分布与评估指标的差异，并提出三项设计：兼容不同输入粒度的统一数据格式、与评估指标对齐的任务特定目标函数，以及动态单来源数据采样策略。作者称，该框架不需要复杂的多阶段训练流程或额外可学习组件。摘要尚未给出目标函数形式、采样更新规则及具体任务解耦方式，不能据此判断其实现细节。 作者报告，在采用三个基础编码器、覆盖 15 个标准 IR 与 STS 基准的实验中，CoDiEmb 改善了联合优化表现，缓解任务间冲突，并减轻语义空间的各向异性与过度平滑。摘要未提供基准名称、数据划分、指标数值及对照配置，因此无法量化收益或比较不同协议下的结果；实验协议、消融及统计信息尚未验证。材料提供了公开代码地址，但代码内容与复现条件尚未核验。 该研究的直接对象是文本表示学习，而非 EEG 或 BCI。平台推测（待验证）：若 EEG 多任务学习确实存在因目标和数据组织不同导致的梯度冲突，任务特定目标与动态采样可能具有借鉴价值；但其依赖的文本数据结构和监督方式不能直接套用，仍需改造输入组织与任务损失，并警惕低信噪比、跨被试差异及小数据条件下采样不稳定。一个可检验的假设是：在固定编码器、数据划分和训练预算的 EEG 双任务设置中，相比固定比例混合采样，任务特定目标结合动态采样能否同时减少两项任务相对各自单任务基线的性能损失。已有 EEG 相关工作尚未检索确认。