ALVIN：通过插值进行主动学习

基于摘要分析。该研究针对主动学习忽略同一类别内群体分布差异、进而使模型依赖伪相关进行预测的问题，提出 Active Learning Via INterpolation（ALVIN），通过表示空间中的类内插值引导标注样本选择。原研究面向自然语言处理任务，并非 EEG 或 BCI 方法。 核心机制是在同一类别中，对代表性不足群体与充分代表群体的样本进行插值，构造位于群体之间的人工锚点，再选择靠近这些锚点的未标注实例进行人工标注。作者认为，这些实例能够让模型接触抵消捷径影响的表示区域；模型可能对其预测具有较高置信度，因此常规主动学习方法容易忽略它们。该方法的关键区别在于利用类内群体结构引导采样，而不只关注模型不确定性。 作者报告，在涵盖 sentiment analysis、natural language inference 和 paraphrase detection 的六个数据集上，ALVIN 的分布内与分布外泛化表现均优于所比较的先进主动学习方法。摘要未提供数据集名称、具体指标、标注预算、划分方式或提升幅度，不能据此判断收益大小；群体识别方式、未标注样本的类别归属处理、插值规则、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 同一任务类别内存在与被试或采集条件相关的群体结构，该机制或可用于探索少数群体标注不足与伪相关问题。可复用的是“表示空间锚点—邻近样本选择”流程，需改造 EEG 表征与群体定义，并核对其对群体信息、类别监督及样本规模的依赖。低信噪比、通道差异和小数据可能使插值区域不具备生理意义。一个可检验的小实验是在固定 EEG 表征与相同标注预算下，对比锚点采样、随机采样和不确定性采样，分别评估跨被试目标群体与整体表现；原领域结果不构成 EEG 有效性的证据，已有 EEG 相关工作尚未检索确认。