通过 Lasso 改进主动多任务表征学习

基于摘要分析。本文研究目标任务样本稀缺时，如何主动选择并采样源任务，以提高多任务预训练的样本效率。核心贡献是提出基于 L1 正则化目标—源任务相关性（ν¹）的策略，并在相关性未知时使用 LASSO 进行估计；原论文的实验对象是真实世界计算机视觉数据，而非 EEG 或 BCI。 既有主动多任务表征学习（A-MTRL）方法通过自适应采样源任务，利用 L2 正则化相关性参数（ν²）降低总样本复杂度。作者报告，通过给出 ν² 策略的下界，论证 ν¹ 策略在其理论设定下严格优于前者，并更适合希望仅选取少量源任务参与训练的场景。作者还报告，相关性未知时提出的 LASSO 估计算法可恢复相关性已知情形的最优结果，并分析了不同采样成本下该策略的潜力。上述结论依赖的模型假设、复杂度表达式及最优性适用范围尚未验证。 摘要提及计算机视觉实验，但未提供数据集名称、划分、基线或指标数值，因此无法判断收益大小及其稳定性；实验协议、消融及统计信息尚未验证。复现前需核对相关性参数的定义、估计所需的目标任务监督、源任务采样流程及采样成本设定。 平台推测（待验证）：若将 EEG 中各被试或会话定义为共享表征的源任务，该机制可能对应跨被试或跨会话学习中的源任务筛选瓶颈。可尝试复用 LASSO 相关性估计与主动采样逻辑，但需适配 EEG 表征、通道差异和任务定义；低信噪比、少量目标标签及高度相关的源任务可能使稀疏选择不稳定。一个可检验的小实验是在固定目标训练标签和源样本预算、独立保留目标测试数据的条件下，比较 L1、L2 与均匀源任务采样的目标任务表现及选择稳定性。相关 EEG 工作尚未检索确认，原领域结论不能直接视为 BCI 有效性证据。