DATA-CUBE：面向基于指令的句子表示学习的数据课程

基于摘要分析。本文研究多任务指令调优中的句子表示学习（SRL），针对不同任务及实例之间可能产生的训练干扰，提出数据课程方法 Data-CUBE，通过安排任务顺序和任务内实例顺序改善训练。其主要研究对象是文本表示学习，而非 EEG 或 BCI。 在任务层面，作者以最小化总体跨任务干扰风险为目标，将任务排序表述为旅行商问题，并采用专门设计的模拟退火算法求解。在实例层面，作者提出任务内实例难度的度量方法，再按由易到难的顺序组织训练。摘要未给出干扰风险、实例难度的具体定义，也未说明排序是否在训练中动态更新，因此尚不能判断所需监督信息及计算开销。 作者报告，该方法能够提升所比较的先进方法的性能；但摘要未提供数据集、任务数量、划分方式、基线名称、指标或改善幅度，不能据此量化收益，也不能判断任务排序与实例排序各自的贡献。实验协议、消融及统计信息尚未验证。作者表示代码和数据将公开，当前材料不足以确认其发布状态。 平台推测（待验证）：若 EEG 多任务训练包含共享模型与可区分的任务，任务间干扰排序可能是可研究的机制假设，但文本领域的结果不等于 BCI 有效性。可复用部分是任务排序优化与由易到难的数据组织框架；需改造的部分包括 EEG 任务间干扰和实例难度的定义。低信噪比可能使难度估计混入伪迹或标签噪声，被试及通道差异可能使排序失效，小数据下的估计也可能不稳定。一个可证伪的小实验是在固定跨被试划分、模型、训练步数及样本曝光量下，对比随机顺序、仅任务排序、仅实例排序与两者结合，并确保排序估计不使用测试被试数据。已有 EEG 相关工作尚未检索确认。